Pytorch及Yolov5环境配置及踩坑
yolo是计算机视觉方面用来进行目标检测的一个十分出名的开源框架，我搜不到官方的对此概括性的定义，但实际上也没什么必要，更重要的是会使用，更更重要的是理解其底层的实现逻辑
对于我现在的数学水平，想了解底层实现逻辑的10％，都有些天方夜谭了，之后我可能会开一个文章专门跟进我学习的进度，也可能会在这篇文章的下面更新学习流程
其实也可以在C++下进行Yolo的配置，但是我不想费事了，直接就在Python下搞了，而且我也推荐人们在Python下使用Yolo，虽然效率确实没有C++高，但实际上都是调用API，也没有什么差别
想要配置yolo这个大家伙，需要分为几个步骤
首先说一下安装这三个东西的原因，如果我们要进行物品识别，那就肯定要对视频进行一个分析，我们有两条路可以选，一条是不用你的GPU进行加速，另一条是用你的GPU进行加速，有什么区别呢？如果你不用GPU加速，那么你的CPU就会很难受，因为完全在用CPU跑训练，但是CPU根本就不是用来图形渲染的，你这不是难为人家吗？况且Pytorch辛辛苦苦写了这么多GPU加速，你视而不见，有点可惜了不是吗？
所以我们必须要搞一手GPU加速，为了我们好，也为了电脑多活几天
登录英伟达官网，选择相应的显卡型号，安装显卡驱动即可，验证安装是否成功的方式是在cmd中输入 nvidia smi
CUDA的安装也是一样的，在英伟达官方根据你的显卡型号选择对应的CUDA版本即可，一般不是安培架构的GPU的话，推荐还是选择10.2这个版本，图灵架构在这个版本下会有更优越的表现
至于CUDNN，这个东西有点麻烦，你需要注册一个英伟达的账号才可以在官网下载
Anaconda的安装也没有问题，在官网搜索下载，注意在安装程序时加入系统变量即可了
Pytorch的安装也没问题，搜索官网，唯一需要注意的是选择与你的CUDA版本所相对应的Pytorch版本安装即可，至于在哪里安装。
首先打开Anaconda prompt，输入 anaconda create --name <env_name></env_name>，这里的env_name是你要创建的环境的名字
之后输入 anaconda activate <env_name></env_name>进入你所要安装至的环境中，在Pytorch官网找到与你的CUDA版本所相对应的Pytorch安装指令，输入即可
用过Linux的应该都知道的，由于网络原因，下载之前要先进行一个换源的操作，推荐换清华源来进行安装，这个百度即可
终于到了最后一步，我们需要安装百度的一个深度学习平台Paddle
同Pytorch的安装方法一样，进行你的Pytorch环境，在Paddle官网选择与你的CUDA版本相对应的Paddle版本安装指令进行安装即可，这里使用的是百度源，下载速度还是可以的
看似安装过程没什么问题，那么到底是哪里可能出问题呢？
我的问题出在环境安装结束后，缺少了很多其他第三方库的安装，例如torch进度条可视化，Scipy库等等，解决方法很简单，我们在anaconda下进入对应的pytorch环境，利用pip安装即可，注意换源的问题
之后又遇到了CUDA版本或是Torchvision与Torch不对应的问题，这个问题要到Pytorch在github上的开源仓库中进行解决，不幸的是我们只能先卸载我们辛苦安装的torch，之后找到与CUDA版本对应的pytorch进行安装即可
最后遇到的问题是模型训练时无法调用CUDA进行GPU加速，但实际上我是已经安装了CUDA的，这个问题的出现是因为没有安装CUDNN，去官网下载CUDNN添加至系统变量后重启电脑即可
这么大一个东西配置下来总而言之就是玄学，多踩坑也是学习了……
Original: https://www.cnblogs.com/appletree24/p/16484136.html
Author: Appletree24
Title: Pytorch及Yolov5环境配置及踩坑
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/584836/
转载文章受原作者版权保护。转载请注明原作者出处！