【Windows】深度学习环境部署

引言

1 Windows环境准备

1.1 VSCode

Visual Studio Code（简称 VSCode）是一款由微软开发的开源代码编辑器。它非常受开发者欢迎，因为它功能强大、扩展性好，并且支持多种编程语言。VSCode 尤其适合 Python 开发，特别是在结合 Anaconda 的虚拟环境时，可以极大地提升开发效率。
官网下载

配置Anaconda环境

第一步：在Vscode中安装Python插件
第二步：选择anconda中的环境在Vscode中使用CTRL+Shift+P的按钮打开搜索然后输入：> select interpreter

安装中文插件（汉化）
参考链接🔗：Visual Studio Code安装中文插件
python相对路径设置
参考链接🔗：VScode 相对路径不能使用, 怎么办?

在这里插入图片描述

1.2 Anaconda安装（虚拟环境）

【Anaconda】windows安装Anaconda
【Ubuntu】安装Anaconda+vscode

1.3 安装CUDA+cudnn

【Windows】安装显卡驱动+cuda+cudnn

信息查看指令

显卡信息

nvcc -V

在这里插入图片描述
2. 驱动信息

nvidia-smi

在这里插入图片描述

2 目标检测——yolov5

环境安装教程：【YOLO】YOLOv5-6.0环境搭建（不定时更新）
yolov5官网源码：https://github.com/ultralytics/yolov5
pytorc安装官网：https://pytorch.org/get-started/locally/

2.1 虚拟环境创建

conda create -n name python=3.9
conda activate name

2.2 pytorch安装

CUDA 10.2
pip install torch==1.12.1+cu102 torchvision==0.13.1+cu102 torchaudio==0.12.1 --extra-index-url https://download.pytorch.org/whl/cu102
CUDA 11.3
pip install torch==1.12.1+cu113 torchvision==0.13.1+cu113 torchaudio==0.12.1 --extra-index-url https://download.pytorch.org/whl/cu113# 查看torch的版本
python -c 'import torch;print(torch.__version__)'
python -c 'import torch;print(torch.cuda.is_available())'CUDA 10.2
conda install cudatoolkit=10.2.89 cudnn==7.6.5 -c http://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main
CUDA 11.3
conda install cudatoolkit=11.3.1 cudnn==8.2.1 -c http://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main

2.3 源码下载及配置

pip install ultralytics
git clone https://github.com/ultralytics/yolov5  # clone
cd yolov5
pip install -r requirements.txt  -i https://pypi.tuna.tsinghua.edu.cn/simple  # install

2.4 模型训练和测试

目标检测训练（COCO8 Dataset）

from ultralytics import YOLO
# Load a model
model = YOLO("yolov8n.pt")  # load a pretrained model (recommended for training)
# Train the model
results = model.train(data="coco8.yaml", epochs=10, imgsz=640)

语义分割训练（COCO8-Seg Dataset）

from ultralytics import YOLO
# Load a model
model = YOLO("yolov8n-seg.pt")  # load a pretrained model (recommended for training)
# Train the model
results = model.train(data="coco8-seg.yaml", epochs=100, imgsz=640)