Construcción del entorno de pytorch

Descargar catálogo e instalar el controlador de gráficos nvidia
descargar CUDA
descargar CUDnn
instalar CUDA
instalación (instalación predeterminada recomendada)
establecer la variable de entorno Después de instalar
el entorno de prueba cuda
instalar cuDNN
instalación Anaconda proyecto de clonación
pytorch
yolov5 e instalar
en las herramientas de marcado de labelimg:

**

Descargue e instale el controlador de gráficos nvidia

** Después de la
instalación, cmd para ejecutar nvidia-smi,
si no funciona, agregue C: \ Archivos de programa \ NVIDIA Corporation \ NVSMI a la ruta de la variable de entorno. Luego, vuelva a abrir la ventana de cmd.

Descarga CUDA

https://developer.nvidia.com/cuda-downloads?target_os=Windows&target_arch=x86_64&target_version=10&target_type=exelocal
descargar cuda_10.2.89_441.22_win10.exe

(Si su descarga tiene un tamaño de solo decenas de B, puede ser un problema con la descarga. Vuelva a intentarlo después de cambiar la red).

Descarga CUDnn

https://developer.nvidia.com/cudnn
descargue y obtenga cudnn-10.2-windows10-x64-v7.6.5.32.zip

(Si su descarga tiene un tamaño de solo decenas de B, puede ser un problema con la descarga. Vuelva a intentarlo después de cambiar la red).

Instalar CUDA

Instalación (se recomienda la instalación predeterminada)
Establecer variables de entorno después de la instalación Después de la
instalación, puede ver que hay dos variables de entorno más, CUDA_PATH y CUDA_PATH_V10_2, en el sistema.
En este momento, necesitamos agregar algunas variables de entorno:

CUDA_SDK_PATH = C: \ ProgramData \ NVIDIA Corporation \ CUDA Samples \ v10.2
CUDA_LIB_PATH =% CUDA_PATH% \ lib \ x64
CUDA_BIN_PATH =% CUDA_PATH% \ bin
CUDA_SDK_BIN_PATH % \ bin CUDA_SDK_BIN_PATH% \ win64
CUDA_SDK_LIB_PATH =% CUDA_SDK_PATH% \ common \ lib \ x64

C: \ ProgramData \ NVIDIACorporation \ CUDA Samples \ v10.2 es la ubicación de instalación predeterminada, si no es la instalación predeterminada, debe modificarla en consecuencia

Agregue al final de la variable del sistema Ruta:
% CUDA_LIB_PATH%;% CUDA_BIN_PATH%;% CUDA_SDK_LIB_PATH%;% CUDA_SDK_BIN_PATH%;

Agregue los siguientes 5 elementos más (ruta de instalación predeterminada):
C: \ Archivos de programa \ NVIDIA GPU Computing Toolkit \ CUDA \ v10.2 \ lib \ x64
C: \ Program Files \ NVIDIA GPU Computing Toolkit \ CUDA \ v10.2 \ include
C: \ Archivos de programa \ NVIDIA GPU Computing Toolkit \ CUDA \ v10.2 \ extras \ CUPTI \ lib64
C: \ ProgramData \ NVIDIA Corporation \ CUDA \ Samples \ v10.2 \ bin \ win64
C: \ ProgramData \ NVIDIA Corporation \ CUDA \ Samples \ v10.2 \ common \ lib \ x64

Prueba el entorno cuda

Abra CMD para ejecutar:
nvcc -V

Instalar cuDNN

Copie el archivo cudnn
Para cudnn, descomprima el paquete comprimido directamente y luego copie y pegue los archivos en bin, incluya, lib en la carpeta cuda
C: \ Program Files \ NVIDIA GPU Computing Toolkit \ CUDA \ v10.2

Instalar Anaconda

1. Descargue el paquete de instalación
   Anaconda Descargue la versión de Windows: https://www.anaconda.com/products/individual
2. Luego instala anaconda
3. Agregue la configuración de espejo doméstico de Aanaconda
   Tsinghua TUNA proporciona un espejo del almacén de Anaconda, ejecute el siguiente comando

conda config --add canales https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/ main /
conda config --set show_channel_urls sí

Instalar pytorch

Nota: Necesita instalar pytorch 1.6 o superior para crear un entorno virtual. El nombre del entorno puede ser determinado por usted mismo. Aquí utilizo pytorch1.7 como el nombre del entorno:
conda create -n pytorch1.7 python = 3.8 Después de
crearlo, activar el entorno de pytorch1.7:
conda activar El comando de
instalación de pytorch1.7 está en el sitio web oficial

Cópielo para obtener los comandos necesarios para la instalación yolov5 project clone e instale
Install Git software (https://git-scm.com/downloads)
clone el proyecto en el local (como d :)
git clone https: // github. com / ultralytics /yolov5.git

Instalar las bibliotecas necesarias

Use la fuente de duplicación de Tsinghua:
ruta de ejecución en yolov5
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple -r requirements.txt
Nota: simple y nada menos, no es http https

Acerca de la herramienta de etiquetado labelimg:
https://github.com/tzutalin/labelImg

Solo opera en él