深度学习环境配置指南以YOLOV8 为例

- 简介
- 软件准备
- 部分安装难点
- 了解yolov8
- 准备yolov8运行的环境
- 跑一个例程
- 运行一个例程
Load a model

简介

实验室来了很多新同学，本来更新在实验室的，但是还是想在个人区存个档，详细介绍了win深度学习环境的搭建和YOLO模型的简单实践

软件准备

环境配置前，不需要自行安装python。

Annocada 包管理器，一款优秀的软件包管理器。地址
nvidia geforce exerience 用于更新显卡驱动，保证最新的显卡驱动可以有效驱动显卡算力。
编译器 pycharm/vscode pycharm 下载地址申请学生优惠地址，需准备校园邮箱。
CUDA (Compute Unified Device Architecture)，显卡厂商NVidia推出的运算平台。 CUDA是一种由NVIDIA推出的通用并行计算架构，该架构使GPU能够解决复杂的计算问题。它包含了CUDA指令集架构(ISA)以及GPU内部的并行计算引擎高性能GPU计算包
下载地址
在WIN+R中输入CMD ，在CMD键入NVIDIA-smi右上角查看最高支持的CUDA模块版本号
cudnn NVIDIACUDA®深度神经网络库是GPU加速的用于深度神经网络的原语库。cuDNN为标准例程提供了高度优化的实现，例如向前和向后卷积，池化，规范化和激活层。cuDNN可以极大加速深度学习的运算速度。下载地址需要注册，与nvidia geforce exerience 可共享，需注意版本对应

部分安装难点

Annocada 包管理器安装
参考教程
安装过程选择just me ，并将path加入环境，用for all 可能会无法添加path
将conda安装至C盘以外的盘，因为后续有许多包，所以会占用大量空间

CUDA安装
● 点击下载好的安装包，选择解压位置，默认安装完成/失败后会销毁解压文件，等待解压结束进入安装页面

● 此处建议使用简洁安装，会安装在默认的C盘中，当然也可以自定义安装位置，不过需要在系统环境中配置

● 打钩即可，点击next

● 进行安装

● 安装完成

完成CUDA驱动安装，我的默认目录如下C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.4
cuDNN安装
解压安装包,直接复制该文件夹下的三个文件夹，至CUDA安装目录下默认为C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.4粘贴覆盖即可

了解yolov8

项目地址

Ultralytics YOLOv8 是由 Ultralytics 开发的一个前沿的 SOTA 模型。它在以前成功的 YOLO 版本基础上，引入了新的功能和改进，进一步提升了其性能和灵活性。YOLOv8 基于快速、准确和易于使用的设计理念，使其成为广泛的目标检测、图像分割和图像分类任务的绝佳选择。

准备yolov8运行的环境

● 在win栏找到安装的Anaconda，右键以管理员方式启动，启动如右图。

● 创建一个新的虚拟环境，虚拟环境的意义在于项目的软件包隔离，由于不同软件包对于项目的支持不同，可能不同软件需要不同等级的软件包，太高版本或太低版本都会报错，所以，需要进行环境隔离。一般会自带一个base基础环境，这个环境无法删除，你可以往里堆你需要的所有包，但最好不要用作开发环境。

创建环境指令如下  conda create —n 环境名  python=需要的python等级
conda create -n yolo python=3.9
移除环境指令
conda remove -n yolo

● 等待conda就绪，键入y安装环境，此时会为你的环境配备基础包和相应等级的python
● 完成后激活环境

conda activate yolo

● 完成后激活环境，此时前端展示为你创建的yolo环境，我的叫yolov7所以显示为yolov7

● 此时，回到上面的github中下载代码，并解压。前面介绍了每个项目会有一个requirements.txt文件记录所需的运行包，解压后记录这个文件的位置，我的位置在 “D:\ultralytics-main\requirements.txt”，打开该文件，删除下图中蓝色的俩个模块并保存，因为直接安装会安装cpu版本，我们有GPU需要安装GPU版本才能有效驱动GPU运算。

● 在刚刚的命令行中键入以下代码，等待自动安装时间结束，中途报错可重复输入，如果关闭了命令栏需重新激活环境后再输入，会智能续传。
pip install -r “D:\ultralytics-main\requirements.txt”
● 全部完成后我们继续安装刚才我们删除的torch
● https://pytorch.org/ 进入pytorch官网，寻找与我们CUDA对应版本的torch-GPU包，旧版本找下方连接进入，新版本直接复制命令，回到命令行安装，大小约为1.8G+。

●
● 安装完成后，YOLOv8运行环境搭建完成

跑一个例程

环境的加载，以最新版pycharm为例
● 在我们的解压文件夹下右键，可以看到Open Folder as Pychamr Project，以项目方式打开文件夹。

● 设置中文pycharm包，进入settings，在Plugins插件中搜索中文安装即可

● 接下来开始加载环境，入口有很多
○ 1，setting->项目->python解释器

○ 2右下角区域点击，进入添加新的解释器或解释器设置

○ 进入后页面相同，如下，点击现有，点击’''进入选择，查找自己的虚拟环境位置，默认的在Anaconda3的安装目录下的envs中，找到自己的环境名字，在该文件夹下找到python.exe即可确认。等待软件索引所有软件包

运行一个例程

从github页面下载预训练模型，点击该位置会下载，建议科学上网下载速度比较快，或者从我的百度网盘下载，并放到解压的文件夹下
链接：https://pan.baidu.com/s/1ziVKFOxSlSxm6wASwJcBBA?pwd=z1pi
提取码：z1pi

该云训练模型在COCO数据集上已经训练过，所以已经可以预测100多种东西，车鸟花。。。。

在目录下新建一个python文件，运行以下代码，尝试一次简单的模型检测
from ultralytics import YOLO

Load a model

model = YOLO("yolov8n.yaml")
model = YOLO("yolov8n.pt")  result = model("https://ultralytics.com/images/bus.jpg",save=True)
这里的地址可以改成本地的任何文件
如：result = model("E:\desktop\wallhaven-1kj7v1_1920x1080.png",save=True)

有以下运行结果，可以看到，结果被保存在了runs\detect\predict4下

                   from  n    params  module                                       arguments                     0                  -1  1       464  ultralytics.nn.modules.Conv                  [3, 16, 3, 2]                 1                  -1  1      4672  ultralytics.nn.modules.Conv                  [16, 32, 3, 2]                2                  -1  1      7360  ultralytics.nn.modules.C2f                   [32, 32, 1, True]             3                  -1  1     18560  ultralytics.nn.modules.Conv                  [32, 64, 3, 2]                4                  -1  2     49664  ultralytics.nn.modules.C2f                   [64, 64, 2, True]             5                  -1  1     73984  ultralytics.nn.modules.Conv                  [64, 128, 3, 2]               6                  -1  2    197632  ultralytics.nn.modules.C2f                   [128, 128, 2, True]           7                  -1  1    295424  ultralytics.nn.modules.Conv                  [128, 256, 3, 2]              8                  -1  1    460288  ultralytics.nn.modules.C2f                   [256, 256, 1, True]           9                  -1  1    164608  ultralytics.nn.modules.SPPF                  [256, 256, 5]                 10                  -1  1         0  torch.nn.modules.upsampling.Upsample         [None, 2, 'nearest']          11             [-1, 6]  1         0  ultralytics.nn.modules.Concat                [1]                           12                  -1  1    148224  ultralytics.nn.modules.C2f                   [384, 128, 1]                 13                  -1  1         0  torch.nn.modules.upsampling.Upsample         [None, 2, 'nearest']          14             [-1, 4]  1         0  ultralytics.nn.modules.Concat                [1]                           15                  -1  1     37248  ultralytics.nn.modules.C2f                   [192, 64, 1]                  16                  -1  1     36992  ultralytics.nn.modules.Conv                  [64, 64, 3, 2]                17            [-1, 12]  1         0  ultralytics.nn.modules.Concat                [1]                           18                  -1  1    123648  ultralytics.nn.modules.C2f                   [192, 128, 1]                 19                  -1  1    147712  ultralytics.nn.modules.Conv                  [128, 128, 3, 2]              20             [-1, 9]  1         0  ultralytics.nn.modules.Concat                [1]                           21                  -1  1    493056  ultralytics.nn.modules.C2f                   [384, 256, 1]                 22        [15, 18, 21]  1    751702  ultralytics.nn.modules.Detect                [2, [64, 128, 256]]
YOLOv8n summary: 225 layers, 3011238 parameters, 3011222 gradients, 8.2 GFLOPsUltralytics YOLOv8.0.35  Python-3.9.15 torch-1.12.1 CUDA:0 (NVIDIA GeForce RTX 3060, 12288MiB)
YOLOv8n summary (fused): 168 layers, 3151904 parameters, 0 gradients, 8.7 GFLOPsimage 1/1 E:\desktop\wallhaven-1kj7v1_1920x1080.png: 384x640 1 car, 1 bus, 16.0ms
Speed: 1.0ms pre-process, 16.0ms inference, 24.5ms postprocess per image at shape (1, 3, 640, 640)
Results saved to runs\detect\predict4

进程已结束,退出代码0
结果：

深度学习环境配置指南/YOLOv8目标检测实践相关推荐

【20210122期AI简报】保姆级深度学习环境配置指南、寒武纪首颗AI训练芯片亮相...
导读:本期为 AI 简报 20210122 期,将为您带来 9 条相关新闻,新增论文推送,在文章底部,祝各位牛年大吉~ 本文一共 3700 字,通篇阅读结束需要 7~10 分钟 1. 保姆级教程:深度 ...
保姆级教程：深度学习环境配置指南！（Windows、Mac、Ubuntu全讲解）
点击上方"小白学视觉",选择加"星标"或"置顶" 重磅干货,第一时间送达入门深度学习,很多人经历了从入门到放弃的心酸历程,且千军万马倒在了 ...
深度学习环境配置指南！（Windows、Mac、Ubuntu全讲解）
↑↑↑关注后"星标"Datawhale 每日干货 & 每月组队学习,不错过 Datawhale干货作者:伍天舟.马曾欧.陈信达入门深度学习,很多人经历了从入门到放弃的心 ...
【深度学习】相当全面的深度学习环境配置指南！（Windows、Mac、Ubuntu全讲解）...
作者:伍天舟.马曾欧.陈信达入门深度学习,很多人经历了从入门到放弃的心酸历程,且千军万马倒在了入门第一道关卡:环境配置问题.俗话说,环境配不对,学习两行泪. 如果你正在面临配置环境的痛苦,不管你是W ...
深度学习环境配置指南：Pytorch、TensorFlow、Keras
点击上方"视学算法",选择加"星标"或"置顶" 重磅干货,第一时间送达作者丨Yukyin@知乎来源丨https://zhuanlan.z ...
深度学习环境搭建之SFA3D目标检测
一.前言由于公司项目支撑,近期需要做雷达图像的目标检测后融合.本篇博客详细介绍深度学习环境搭建,并跑通SFA3D.由于本机第一次搭建环境,这里先全部手动搭建,实际上在用Ananconda创建 ...
安装教程rtx2080ti_点云深度学习环境配置指南（一）Ubuntu16.04+RTX2080ti
[今日导读]想做点云深度学习?先把环境配置好吧.本期为初学者带来环境配置指南,有需求的同学赶快上手吧.配置为: Ubuntu16.04+RTX2080ti+NVIDIA驱动+cuda10.1+cudn ...
RTX 3090的深度学习环境配置指南：Pytorch、TensorFlow、Keras
点击上方"AI遇见机器学习",选择"星标"公众号重磅干货,第一时间送达来源 | 知乎编辑 | 极市平台作者 | Yukyin 最近刚入了3090,发现网 ...
天才少年稚晖君 | 【保姆级教程】个人深度学习工作站配置指南
天才少年稚晖君 | [保姆级教程]个人深度学习工作站配置指南来源:https://zhuanlan.zhihu.com/p/336429888 0. 前言工作原因一直想配置一台自己的深度学习工作站 ...

深度学习环境配置指南/YOLOv8目标检测实践