前言
这两天我将pycharm社区版换成了专业版，也顺带着把环境从CPU改成了GPU版，本篇文章也就是我个人配置过程的一个简单记录，希望能够帮到大家啦~
🍀本人YOLOv5源码详解系列：
YOLOv5源码逐行超详细注释与解读（1）——项目目录结构解析
YOLOv5源码逐行超详细注释与解读（2）——推理部分detect.py
YOLOv5源码逐行超详细注释与解读（3）——训练部分train.py
YOLOv5源码逐行超详细注释与解读（4）——验证部分val（test）.py
YOLOv5源码逐行超详细注释与解读（5）——配置文件yolov5s.yaml
YOLOv5源码逐行超详细注释与解读（6）——网络结构（1）yolo.py
YOLOv5源码逐行超详细注释与解读（7）——网络结构（2）common.py
一、了解所需配置
1.1 CUDA
2006年，NVIDIA公司发布了CUDA(Compute Unified Device Architecture)，是一种新的操作GPU计算的硬件和软件架构，是建立在NVIDIA的GPUs上的一个通用并行计算平台和编程模型，它提供了GPU编程的简易接口，基于CUDA编程可以构建基于GPU计算的应用程序，利用GPUs的并行计算引擎来更加高效地解决比较复杂的计算难题。它将GPU视作一个数据并行计算设备，而且无需把这些计算映射到图形API。操作系统的多任务机制可以同时管理CUDA访问GPU和图形程序的运行库，其计算特性支持利用CUDA直观地编写GPU核心程序。
1.2 cuDNN
cuDNN是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。
全球的深度学习研究人员和框架开发人员都依赖cuDNN来实现高性能GPU加速。它使他们可以专注于训练神经网络和开发软件应用程序，而不必花时间在底层GPU性能调整上。cuDNN的加快广泛使用的深度学习框架，包括Caffe2，Chainer，Keras，MATLAB，MxNet，PyTorch和TensorFlow。已将cuDNN集成到框架中的NVIDIA优化深度学习框架容器，访问NVIDIA GPU CLOUD了解更多信息并开始使用。
1.3 Anconda
Anaconda指的是一个开源的Python发行版本，其包含了conda、Python等180多个科学包及其依赖项。 因为包含了大量的科学包，Anaconda 的下载文件比较大（约 531 MB），如果只需要某些包，或者需要节省带宽或存储空间，也可以使用Miniconda这个较小的发行版（仅包含conda和 Python）。
Anaconda包括Conda、Python以及一大堆安装好的工具包，比如：numpy、pandas等
1.4 pycharm
pycharm是一个用于计算机编程的集成开发环境，主要用于python语言开发，并支持使用Django进行网页开发。简单来说就是人工智能的便捷语言。
1.5 pytorch
PyTorch是一个开源的Python机器学习库，其前身是2002年诞生于纽约大学 的Torch。它是美国Facebook公司使用python语言开发的一个深度学习的框架，2017年1月，Facebook人工智能研究院（FAIR）在GitHub上开源了PyTorch。
二、安装CUDA 和cuDNN
官方教程
CUDA：https://docs.nvidia.com/cuda/cuda-installation-guide-microsoft-windows/index.html
cuDNN：Installation Guide :: NVIDIA Deep Learning cuDNN Documentation
2.1 CUDA的下载与安装
1.首先查看自己CUDA的版本，有以下两种方法：
（1）打开nvidia（桌面右键）->选择左下角的系统信息->组件
（2）直接在cmd中输入
nvidia-smi
这里就可以直接查看啦
2.然后开始进入官网下载对应版本，下载地址→ 官方驱动 | NVIDIA
根据自己查到的版本下载对应既可。
然后就是漫长的等待ing
3.下载完了就开始安装
点击下一步
这两个可以不用勾选
4.查看环境变量
点击开始-->搜索高级系统设置-->查看环境变量
【如果没有需要自己添加】
一共四个系统变量，都是自动生成的，但是有时后两个系统变量可能不会自动生成，需要自己添加上去，添加时注意路径。
5.验证CUDA是否安装成功
win+r，运行cmd，输入
1. nvcc --version 2. OR 3. nvcc -V
即可查看版本号
输入
set cuda
即可查看 CUDA 设置的环境变量 
至此，CUDA 就已安装完成。但是在完成张量加速运算时还需要cuDNN的辅助，所以接下来我们来安装cuDNN。
2.2 cuDNN的下载与安装
1.查看与CUDA对应的cuDNN版本
2.在官网上下载。官网地址→cuDNN Download | NVIDIA Developer
点击注册
注册成功
3.开始下载
4.解压文件
我们下载后发现其实cudnn不是一个exe文件，而是一个压缩包，解压后，有三个文件夹，把三个文件夹拷贝到cuda的安装目录下。
cuDNN 其实是 CUDA 的一个补丁，专为深度学习运算进行优化的。然后再添加环境变量
5.添加至系统变量
往系统环境变量中的 path 添加如下路径（根据自己的路径进行修改） 
7.验证cuDNN是否安装成功
win+r，启动cmd，cd到安装目录下的.\extras\demo_suite，输入
原目录.\extras\demo_suite
然后分别输入.\bandwidthTest.exe和.\deviceQuery.exe（进到目录后需要直接输“bandwidthTest.exe”和“deviceQuery.exe”）
.\bandwidthTest.exe
.\deviceQuery.exe
得到下图：
至此，CUDA和cuDNN已全部安装完毕~
三、安装Anaconda
因为我的电脑已经有了Anaconda ，所以没有再安装。没有安装的可以看看这个教程：
最新Anaconda3的安装配置及使用教程（详细过程）_HowieXue的博客-CSDN博客
四、安装pytorch
同样，pytorch我电脑上也安装过了（不然咋出的专栏呢（手动狗头））。没有安装的推荐大家看我同门的这篇文章，步骤非常详细：Win11上Pytorch的安装并在Pycharm上调用PyTorch最新超详细_win11安装pytorch
五、配置YOLOv5环境
1.yolov5的源码下载
下载地址：mirrors / ultralytics / yolov5 · GitCode
方法一：git clone到本地本地仓库
[指令]：git clone https://github.com/ultralytics/yolov5
方法二：直接安装压缩包
没有安装 git 的话，可以直接点击“克隆”下载压缩包
2.预训练模型下载
为了缩短网络的训练时间，并达到更好的精度，我们一般加载预训练权重进行网络的训练。
YOLOv5给我们提供了几个预训练权重，我们可以对应我们不同的需求选择不同的版本的预训练权重。在实际场景中是比较看这种速度，所以YOLOv5s是比较常用的。
将安装好的预训练模型放在YOLO文件下。
3.安装yolov5的依赖项
首先创建虚拟环境并激活。conda常用指令如下：
- 创建虚拟环境：
conda create -n [虚拟环境名] python=[版本]
点“y”
- 显示虚拟环境：
conda env list
- 激活虚拟环境：
conda activate + [虚拟环境名]
4.安装pytorch-gup版的环境
由于pytorch的官网在国外，下载相关的环境包是比较慢的，所以我们给环境换源。在pytorch环境下执行如下的命名给环境换清华源。
1. conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/ 2. conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/ 3. conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/ 4. conda config --set show_channel_urls yes
这里要注意网速一定要好，不然就总报错。下图就是本人血泪史。
然后就安装完啦
打开我们下载好的源码，点击设置setting
按以下步骤就OK啦！
六、测试
1.我们先运行detect.py
这时会发现出现错误：
AttributeError: 'Upsample' object has no attribute 'recompute scale_factor'
解决方法：
点进蓝色的文件里下图对应位置，更改forward函数，复制一遍，去掉下面一行的代码
再点击run，结果就保存在runs的detect文件下了
2.我们再运行train.py
同样会发生报错
0SError: [winError 1455]页面文件太小，无法完成操作。Error loading"D:\Anaconda3\envslyolov5-6.1lib\site-packages torch\lib\cudidTT"one of its dependencies
这就是因为我们batchsize和workers设置太大了的原因
解决方法：
找到train.py的parse_opt（）函数，将对应batchsize和workers参数调小，如下图：
（你以为这样就完了吗？No！555~）
接着又会出现下面的错误：
OMP: Hint This means that multiple copies of the OpenMp runtime have been linked into theThat is dangerous, since it can degrade performance or cause incorrect results..
解决方法：
在import os下面加入
os.environ['KMP_DUPLICATE_LIB_OK']='TRUE'
（这下没错了吧？你想多了~）
然后又会出现这样的错误：
RuntimeError: resutt type float can't be cast to the desired output type ._int64
解决方法：
首先进入loss.py文件，将anchors = self.anchors[i]改为
anchors, shape = self.anchors[i], p[i].shape
↓ 
接着往下翻，将indices.append((b, a, gj.clamp_(o, gain[3] - 1), gi.clamp_(0, gain[2] - 1))改为
indices.append((b, a, gj.clamp_(0, shape[2] - 1), gi.clamp_(0, shape[3] - 1)))
↓ 
到这终于能运行啦！撒花✿✿ヽ(°▽°)ノ✿
（训练时错误本来就有很多，但是错误原因网上都能找到的哦~）
到此为止，我们的环境就配好了。
本篇文章是我通过录屏复盘总结的，可能有一些地方有遗忘，大家要是配置过程中有问题还是要看看大佬们的教程（感谢大佬们！） 好了，我这个小白先撤了~下一篇再见啦！
本文参考：
