自己做钓鱼网站,吉林企业网络推广方法,网站改版新闻稿,硬件开发软件目录 一、确定版本CUDA toolkit、cuDNN版本Python、PyTorch版本 二、安装Python下载环境变量验证安装 三、安装Anaconda安装环境变量验证安装创建conda虚拟环境常用命令 四、安装CUDA toolkit下载环境变量验证安装 五、配置cuDNN下载 六、安装PyTorch(torchtorchversiontorchau… 目录 一、确定版本CUDA toolkit、cuDNN版本Python、PyTorch版本 二、安装Python下载环境变量验证安装 三、安装Anaconda安装环境变量验证安装创建conda虚拟环境常用命令 四、安装CUDA toolkit下载环境变量验证安装 五、配置cuDNN下载 六、安装PyTorch(torchtorchversiontorchaudio)下载验证torch安装 七、环境测试验证cuDNN验证YOLOv8CLIPython Code 八、可能出现的问题九、附yolo命令参数解释 Ultralytics YOLOv8 是一款前沿、最先进SOTA的模型基于先前 YOLO 版本的成功引入了新功能和改进进一步提升性能和灵活性。YOLOv8 设计快速、准确且易于使用使其成为各种物体检测与跟踪、实例分割、图像分类和姿态估计任务的绝佳选择。 Python SDK DownloadUltralytics YOLOv8 GitHubPyTorch GitHubNVIDIA CUDA toolkit DownloadNVIDIA cuDNN DownloadAnaconda Download #mermaid-svg-lhHvBdjExVHBBcE9 {font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;fill:#333;}#mermaid-svg-lhHvBdjExVHBBcE9 .error-icon{fill:#552222;}#mermaid-svg-lhHvBdjExVHBBcE9 .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-lhHvBdjExVHBBcE9 .edge-thickness-normal{stroke-width:2px;}#mermaid-svg-lhHvBdjExVHBBcE9 .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-lhHvBdjExVHBBcE9 .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-lhHvBdjExVHBBcE9 .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-lhHvBdjExVHBBcE9 .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-lhHvBdjExVHBBcE9 .marker{fill:#333333;stroke:#333333;}#mermaid-svg-lhHvBdjExVHBBcE9 .marker.cross{stroke:#333333;}#mermaid-svg-lhHvBdjExVHBBcE9 svg{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-lhHvBdjExVHBBcE9 .label{font-family:"trebuchet ms",verdana,arial,sans-serif;color:#333;}#mermaid-svg-lhHvBdjExVHBBcE9 .cluster-label text{fill:#333;}#mermaid-svg-lhHvBdjExVHBBcE9 .cluster-label span{color:#333;}#mermaid-svg-lhHvBdjExVHBBcE9 .label text,#mermaid-svg-lhHvBdjExVHBBcE9 span{fill:#333;color:#333;}#mermaid-svg-lhHvBdjExVHBBcE9 .node rect,#mermaid-svg-lhHvBdjExVHBBcE9 .node circle,#mermaid-svg-lhHvBdjExVHBBcE9 .node ellipse,#mermaid-svg-lhHvBdjExVHBBcE9 .node polygon,#mermaid-svg-lhHvBdjExVHBBcE9 .node path{fill:#ECECFF;stroke:#9370DB;stroke-width:1px;}#mermaid-svg-lhHvBdjExVHBBcE9 .node .label{text-align:center;}#mermaid-svg-lhHvBdjExVHBBcE9 .node.clickable{cursor:pointer;}#mermaid-svg-lhHvBdjExVHBBcE9 .arrowheadPath{fill:#333333;}#mermaid-svg-lhHvBdjExVHBBcE9 .edgePath .path{stroke:#333333;stroke-width:2.0px;}#mermaid-svg-lhHvBdjExVHBBcE9 .flowchart-link{stroke:#333333;fill:none;}#mermaid-svg-lhHvBdjExVHBBcE9 .edgeLabel{background-color:#e8e8e8;text-align:center;}#mermaid-svg-lhHvBdjExVHBBcE9 .edgeLabel rect{opacity:0.5;background-color:#e8e8e8;fill:#e8e8e8;}#mermaid-svg-lhHvBdjExVHBBcE9 .cluster rect{fill:#ffffde;stroke:#aaaa33;stroke-width:1px;}#mermaid-svg-lhHvBdjExVHBBcE9 .cluster text{fill:#333;}#mermaid-svg-lhHvBdjExVHBBcE9 .cluster span{color:#333;}#mermaid-svg-lhHvBdjExVHBBcE9 div.mermaidTooltip{position:absolute;text-align:center;max-width:200px;padding:2px;font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:12px;background:hsl(80, 100%, 96.2745098039%);border:1px solid #aaaa33;border-radius:2px;pointer-events:none;z-index:100;}#mermaid-svg-lhHvBdjExVHBBcE9 :root{--mermaid-font-family:"trebuchet ms",verdana,arial,sans-serif;} 配置Python环境变量 创建conda环境 配置CUDA环境变量 配置cuDNN文件 下载安装PythonSDK 拉取yolo8 GitHub项目到本地 Anaconda安装 下载安装CUDA toolkit 下载PyTorch 下载cuDNN 环境测试 除了拉取代码不需要验证其他都需要自己check下到底是不是真安装成功了
一、确定版本
CUDA toolkit、cuDNN版本
查看显卡的CUDA支持的最高版本我的是12.2.79后面安装的CUDA toolkit和cuDNN大版本不能超过它 [外链图片转存失败,源站可能有防盗在这里插入!链机制,建描述]议将图片上https://传(imblog.csdnim-n/7h1UWj1209abda6844c1803cc47a4fc2.png 360x3505100)( 300x300)]进PyTorch官网查看支持的CUDA最高版本我的torch是最高支持11.8
由以上两点得出安装的CUDA、cuDNN不能超11.8那我后面这俩安装11.8
Python、PyTorch版本 torch、python各版本兼容情况表 torchtorchvisionPythonmain / nightlymain / nightly3.8, 3.112.00.153.8, 3.111.130.143.7.2, 3.101.120.133.7, 3.101.110.123.7, 3.101.100.113.6, 3.91.90.103.6, 3.91.80.93.6, 3.91.70.83.6, 3.91.60.73.6, 3.81.50.63.5, 3.81.40.52.7, 3.5, 3.81.30.4.2 / 0.4.32.7, 3.5, 3.71.20.4.12.7, 3.5, 3.71.10.32.7, 3.5, 3.71.00.22.7, 3.5, 3.7
上面有CUDA、cuDNN版本11.8
再在进PyTorch官网预览一下DUDA11.8的有哪些 如果我用11.8的看到PyTorch只有v2.0.0的那么在上面 torch、python各版本兼容情况表 里可以得出我的电脑CUDA、duDNN、PyTorch和Python互相兼容的py版本范围是3.8~3.11 所以py版本不宜过高每一个组件都有自己对其他组件的兼容范围YOLO5的默认SDK版本是3.7YOLO8的默认SDK版本是3.8 最终版本选择 名版本号Python3.8.0CUDA toolkit11.8.0cuDNN11.xPyTorch2.0.0TorchAudio2.0.0TorchVision0.15.0
二、安装Python
下载 已经有Python的需要卸载干净去官网找自己对应版本的安装包(要卸载哪个就找哪个版本的exe安装包)比如找3.8.0的下载运行点击Uninstall进行卸载 电脑无Python残留或没有安装过Python进官网版本列表下载自己要的版本一路确认即可尽量是不要安在有中文的路径下后面的安装也是
环境变量
将Python安装目录和里面的Scripts文件夹路径放在Path里 C:\Users\Administrator\AppData\Local\Programs\Python\Python38
C:\Users\Administrator\AppData\Local\Programs\Python\Python38\Scripts验证安装
winr后键入cmd确认出现版本号
python -V
或者
python --version三、安装Anaconda 一个易于安装的包管理器、环境管理器和 Python 发行版包含 1,500 多个开源包并提供 免费社区支持。Anaconda与平台无关因此无论在Windows、macOS还是Linux上都可以使用它与它类似的有pip。 安装
进Anaconda官网点下载无脑下一步即可
环境变量
将以下四个路径添加进Path
验证安装
conda -V创建conda虚拟环境
后面的操作都是基于这个虚拟环境最好是用管理员打开终端 CommandNotFoundError: Your shell has not been properly configured to use ‘conda activate 第一次激活环境可能有这个错误根据提示使用conda init重启cmd。或者使用source activate env_name使环境可用。 # 创建虚拟环境
conda create -n yolov8 python3.8.0
# 激活虚拟环境(切换至这个环境)
conda activate yolov8
# 查看已创建的虚拟环境
conda info -e常用命令
# 查看版本
conda --version # 或者 conda -V
# 更新conda
conda update conda
# 更新Anaconda
conda update Anaconda
# 查看环境配置
conda config --show
# 查看安装了哪些包
conda list
# 查看Anaconda仓库有没有这个想要的包
conda search package_name
# 新增镜像channel
conda config --add channels mirrors_url
# 移除镜像channel
conda config --add channels mirrors_url
# 查看配了哪些镜像channel
conda config --show channels
# 设置清华镜像
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/bioconda/
# 设置bioconda
conda config --add channels bioconda
conda config --add channels conda-forge
# 设置搜索时显示通道地址
conda config --set show_channel_urls yes
# 创建虚拟环境
conda create -n env_name python3.8
# 查看虚拟环境
conda env list #或conda info -e 或conda info --envs
# 激活虚拟环境
conda activate env_name
# 退出当前虚拟环境
conda deactivate
# 删除虚拟环境
conda remove -n env_name --all
# 安装包(在当前虚拟环境)
conda install package_namepackage_version
# 更新包(在当前虚拟环境)
conda update package_name
# 删除包(在当前虚拟环境)
conda remove --name env_name package_name
# 卸载包
conda uninstall package_name
# 增量卸载包(如果有虚拟环境在用会跳过这个小包就是不全卸载)
conda uninstall package_name --force
# 删除没有在用的包
conda clean -p
# 清理缓存
conda clean -y -all
# 变更Python版本
conda install python3.5 #升级到最新版conda update python
# 查看配置文件地址 (默认C:\Users\用户名\.condarc)
conda info #user config file那行
# conda初始化
conda init四、安装CUDA toolkit
下载
官网下载跳转翻阅之前版本找到CUDA-11.8.0下载 安装注意下面两步其他默认 环境变量
默认安装在C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.8 Path加入lib\x64文件夹、include文件夹安装默认配了bin和libnvvp。
验证安装
cmd窗口输入nvcc -V 或者 cmd切换CUDA安装目录进extras/demo_suite目录执行里面的bandwidthTest.exe再执行deviceQuery.exe结果显示PASS即是成功
五、配置cuDNN 通俗点讲cuDNN就是CUDA toolkit的一个补丁深度学习需要这个补丁才能使用API驱动GPU的CUDA 下载
进官网需要登陆NVIDIA账号并且注册成开发者完成后进入下载界面
解压全选复制黏贴到CUDA安装目录全部是即可 ## 验证配置 cuDNN的验证放在后面
六、安装PyTorch(torchtorchversiontorchaudio) 一种开源深度学习框架以出色的灵活性和易用性著称。 下载
打开cmd进入之前创建的虚拟环境yolov8复制torch官网conda语句安装PyTorch
官网安装PyTorch语句在这一定要看好自己需要哪个torch版本、cuda版本
conda activate yolov8
# -c pytorch可以去掉即不指定pytorch官方channel下载国内快一点
conda install pytorch2.0.0 torchvision0.15.0 torchaudio2.0.0 pytorch-cuda11.8 -c nvidia如果有CondaHTTPError: HTTP 000 CONNECTION FAILED for url ...的错误 修改conda配置文件把下面内容全部替换掉原来的重启命令行进环境再install一下 配置文件默认地址C:\Users\{用户名}\.condarc
show_channel_urls: true
channels:- http://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/- http://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/- http://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
ssl_verify: falsechannels镜像源 ssl_verify关闭SSL安全认证 show_channel_urls从channel安装某个包时显示channel的url
验证torch安装
官方验证进cmd进python环境输入下面三行看打印结果
import torch
x torch.rand(5, 3)
print(x)# 样例输出
tensor([[0.3380, 0.3845, 0.3217],[0.8337, 0.9050, 0.2650],[0.2979, 0.7141, 0.9069],[0.1449, 0.1132, 0.1375],[0.4675, 0.3947, 0.1426]])七、环境测试 我使用的是IDEA也可以用PyCharm 验证cuDNN
先不新建项目打开之前拉取下拉的yolo8 GitHub项目配下上面新建的conda环境yolov8查看虚拟环境放哪了可以用conda info -e 配好后索引可能需要更新一会等待
打开后新建一个自定义文件夹new一个py文件贴上以下代码运行查看结果
import torch
# 查看pytorch版本
print(fpytorch版本: {torch.version.__version__})
# 查看显卡GPU是否可用
print(fGPU是否可用: {torch.cuda.is_available()})
# 查看GPU可用数
print(fGPU可用数: {torch.cuda.device_count()})
# 查看CUDA版本
print(fCUDA版本: {torch.version.cuda})
# 查看CUDA-cuDNN版本
print(fcuDNN版本: {torch.backends.cudnn.version()})
quit()如果你看到GPU可用为True那cuDNN就是安装成功了此时环境就是GPU版本的了 验证YOLOv8
打开yolo8项目找到requirements.txt安装插件或者使用终端在项目内pip安装pip install -r requirements.txt 这时就可能用到这个官网中文README。使用方式有两种命令行(CLI) 和 Python代码
CLI
在项目里有个图片ultralytics/assets/bus.jpg可以使用yolov8n.pt模型对这个图片做一个简单的推理
yolo predict modelyolov8n.pt source可以填你图片在你电脑的绝对路径推理结果保存在了runs\detect\predict我在C:\Users\zhangjinke执行的这个命令所以文件在C:\Users\zhangjinke\runs\detect\predict
Python Code
from ultralytics import YOLO# 加载模型
# model YOLO(yolov8n.yaml) # 从头开始构建新模型
model YOLO(yolov8n.pt) # 加载预训练模型建议用于训练# 使用模型
# model.train(datacoco128.yaml, epochs3) # 训练模型
metrics model.val() # 在验证集上评估模型性能
results model(sourceultralytics/assets/bus.jpg) # 对图像进行预测
results.print() # 打印结果
# success model.export(formatonnx) # 将模型导出为 ONNX 格式第一次运行此代码需要下载coco的标签包等待结果例子如下没有报错环境就部署成功了
Speed: 0.2ms preprocess, 3.1ms inference, 0.0ms loss, 0.7ms postprocess per image
Results saved to runs\detect\val7image 1/1 D:\GitProjects\ultralytics\ultralytics\assets\bus.jpg: 640x480 4 persons, 1 bus, 23.9ms
Speed: 2.0ms preprocess, 23.9ms inference, 2.0ms postprocess per image at shape (1, 3, 640, 480)
Ultralytics YOLOv8.0.138 Python-3.9.13 torch-1.13.0cu116 CPU (Intel Core(TM) i9-9900K 3.60GHz)PyTorch: starting from runs\detect\train11\weights\best.pt with input shape (1, 3, 640, 640) BCHW and output shape(s) (1, 84, 8400) (6.2 MB)ONNX: starting export with onnx 1.14.0 opset 16...
ONNX: export success 0.7s, saved as runs\detect\train11\weights\best.onnx (12.2 MB)Export complete (2.2s)
Results saved to D:\GitProjects\ultralytics\runs\runs\detect\train11\weights
Predict: yolo predict taskdetect modelruns\detect\train11\weights\best.onnx imgsz640
Validate: yolo val taskdetect modelruns\detect\train11\weights\best.onnx imgsz640 dataD:\GitProjects\ultralytics\ultralytics\cfg\datasets\coco128.yaml
Visualize: https://netron.app进程已结束,退出代码0八、可能出现的问题
乱码提示需要运行pip install --no-cache py-cpuinfo在这可能需要先更新pip按照提示即可 xxx
九、附yolo命令参数解释
GitHub官方对所有参数的解释
task
detect指定任务为目标检测即通过模型识别图像或视频中的物体然后在图像上标注出它们的位置。classify指定任务为图像分类即通过模型将图像分为不同的类别。segment指定任务为图像分割即将图像分割为不同的区域并为每个区域分配一个标签。
mode
train指定模式为训练模式用于训练模型。predict指定任务为预测即使用训练好的模型对新的图像进行预测。val指定验证模式用于评估模型在验证集上的性能。export指定任务为导出模型即将训练好的模型导出到其他格式如ONNX。
model
yolov8n.pt指定模型的文件名或路径其中yolov8n.pt表示模型的文件名。yolov8n-cls.yaml指定用于图像分类的模型配置文件的文件名或路径。yolov8n-seg.yaml指定用于图像分割的模型配置文件的文件名或路径。
KeyValueDescriptiondataNone数据文件路径例如 coco128.yamlimgsz640图像尺寸可以是一个标量或 (h, w) 的列表例如 (640, 480)batch16每个批次的图像数-1 表示自动批处理save_jsonFALSE是否将结果保存为 JSON 文件save_hybridFALSE是否保存标签的混合版本标签 额外的预测结果conf0.001目标置信度阈值用于检测iou0.6NMS非最大抑制的交并比阈值max_det300每张图像的最大检测数halfTRUE是否使用半精度FP16deviceNone运行模型的设备例如 cuda device0/1/2/3 或 devicecpudnnFALSE是否使用 OpenCV DNN 进行 ONNX 推断plotsFALSE训练过程中是否显示图表rectFALSE针对最小填充的每个批次进行矩形验证splitval用于验证的数据集拆分例如 ‘val’、‘test’ 或 ‘train’
