搭建企业网站具体过程_好玩有趣的网站_搜索引擎优化是什么意思_百度搜索引擎网址

一.必看：理解Anaconda，CUDA，CUDNN,Pytorch,Pycharm

1.Anaconda和Pycharm

Anaconda，Pycharm都是开发工具从官网可下载。
anaconda是一个管理用于python开发的包含不同库的虚拟环境的平台，可以高效的管理和创建适用于多个不同项目的project interpreter。安装完成自带一个根环境，路径在conda的安装目录下。进入后可以在环境管理页面创建新环境，新环境的路径在安装目录下的envs中存储，在pycharm中设置interpreter时需要找到所需环境的存储位置，interpreter设置选择conda enviroment，填写python.exe的路径即可完成编译环境与项目的绑定。之后进行虚拟环境设置，安装新的库的时候只需打开cmd，输入activate 环境名，即可进入环境目录，之后pip安装所需库即可。

eg：你会遇到不同的的项目，需要使用到不同版本的的环境，比如一个项目要用到pytorch0.4，另一个项目要用到pytorch1.0，如果你卸载了0.4版本，安装了1.0版本，那么下一次你在遇到0.4版本，你就需要卸载1.0版本，再安装0.4版本很折腾，Anaconda集成的conda 包就能够解决这个问题，它可以创建两个房子，一个屋子放0.4版本，一个屋子放1.0版本，你需要哪个版本就进那个屋子

Pychram

Pycharm是一种python IDE，带有一整套可以帮助用户在使用Python语言开发时提高其效率的工具，比如调试、语法高亮、Project管理、代码跳转、智能提示、自动完成、单元测试、脚本控制。此外，该IDE提供了一些高级功能，用户支持Django框架下的专业Web开发，同时支持Google APP Engine，更酷的是Pycharm支持IronPython。

2.CUDA

CUDA(Compute Unified Device Architecture，统一计算设备架构)，是显卡厂商NVIDIA在2007年推出的并行计算平台和编程模型。它利用图形处理器(GPU)能力，实现计算性能的显著提高。CUDA是一种由NVIDIA推出的通用并行计算架构，该架构使GPU能够解决复杂的计算问题，从而能通过程序控制底层的硬件进行计算。它包含了CUDA指令集架构(ISA)以及GPU内部的并行计算引擎。开发人员可以使用C/C++/C++11语言来为CUDA架构编写程序。CUDA提供host-device的编程模式以及非常多的接口函数和科学计算库，通过同时执行大量的线程而达到并行的目的。

CUDA基于新的并行编程模型和指令集架构的通用计算架构，它能利用英伟达GPU的并行计算引擎，比CPU更高效的解决许多复杂计算任务。根据摩尔定律GPU的晶体管数量不断增多，硬件结构必然是不断的在发展变化，没有必要每次都为不同的硬件结构重新编码，而CUDA就是提供了一种可扩展的编程模型，使得已经写好的CUDA代码可以在任意数量核心的GPU上运行。如下图所示，只有运行时，系统才知道物理处理器的数量。

3.CUDNN

cuDNN是用于深度神经网络的GPU加速库。它强调性能、易用性和低内存开销。NVIDIA cuDNN可以集成到更高级别的机器学习框架中，如谷歌的Tensorflow、加州大学伯克利分校的流行caffe软件。简单的插入式设计可以让开发人员专注于设计和实现神经网络模型，而不是简单调整性能，同时还可以在GPU上实现高性能现代并行计算。

CUDA与CUDNN的关系

CUDA看作是一个工作台，上面配有很多工具，如锤子、螺丝刀等。cuDNN是基于CUDA的深度学习GPU加速库，有了它才能在GPU上完成深度学习的计算。它就相当于工作的工具，比如它就是个扳手。但是CUDA这个工作台买来的时候，并没有送扳手。想要在CUDA上运行深度神经网络，就要安装cuDNN，就像你想要拧个螺帽就要把扳手买回来。这样才能使GPU进行深度神经网络的工作，工作速度相较CPU快很多。

4.CPU和GPU

CPU (Central Processing Unit) 中央处理器

CPU虽然有多核，但总数没有超过两位数，每个核都有足够大的缓存和足够多的数字和逻辑运算单元，并辅助有很多加速分支判断甚至更复杂的逻辑判断的硬件；CPU擅长处理具有复杂计算步骤和复杂数据依赖的计算任务。CPU需要很强的通用性来处理各种不同的数据类型，同时又要逻辑判断又会引入大量的分支跳转和中断的处理。这些都使得CPU的内部结构异常复杂。

GPU (Graphics Processing Unit) 图形处理器

GPU的核数远超CPU，被称为众核（NVIDIA Fermi有512个核）。每个核拥有的缓存大小相对小，数字逻辑运算单元也少而简单（GPU初始时在浮点计算上一直弱于CPU）。GPU面对的则是类型高度统一的、相互无依赖的大规模数据和不需要被打断的纯净的计算环境,GPU采用了数量众多的计算单元和超长的流水线，但只有非常简单的控制逻辑并省去了Cache。而CPU不仅被Cache占据了大量空间，而且还有有复杂的控制逻辑和诸多优化电路，相比之下计算能力只是CPU很小的一部分

5.Pytorch

Pytorch是torch的python版本，是由Facebook开源的神经网络框架，专门针对 GPU 加速的深度神经网络（DNN）编程。Torch 是一个经典的对多维矩阵数据进行操作的张量（tensor ）库，在机器学习和其他数学密集型应用有广泛应用。与Tensorflow的静态计算图不同，pytorch的计算图是动态的，可以根据计算需要实时改变计算图。但由于Torch语言采用 Lua，导致在国内一直很小众，并逐渐被支持 Python 的 Tensorflow 抢走用户。作为经典机器学习库 Torch 的端口，PyTorch 为 Python 语言使用者提供了舒适的写代码选择

二、安装显卡驱动

2.1.查看驱动是否已经安装，电脑一般自带显卡驱动且会自动更新

方法1：

查看：任务管理器-------》性能-----------------》GPU 在右上角显示显卡型号在表示已经安装

方法2：

鼠标右键此电脑→管理→显示适配器

2.2.显卡安装无显示安装驱动

驱动下载：

Nvidia驱动下载官网

product Type选择显卡对应的对应的 GeForce

product Type选择显卡对应的对应的 GeForce RXT 30 Series

product型号选择自己对应的型号 GeForce RXT 3080

Operating System系统选择自己安装的系统

找适用的驱动程序，单击SEARCH（搜索）；

在跳转的驱动程序下载页面，单击DOWNLOAD（下载）；

安装显卡驱动：

（ⅰ）下载完成后，打开下载驱动程序所在的文件夹，双击.exe文件，会自动检测系统是否兼容；

（ⅱ）安装比较简单（默认下一步安装），【注意已安装GPU驱动的要选择自定义安装，勾选执行清洁安装，这样会将之前的驱动卸载清除】；
（ⅲ）等待安装完成后重启即可

三、安装CUDA

3.1.查看驱动支持的CUDA版本

CUDA™是一种由NVIDIA推出的通用并行计算[架构该架构使GPU能够解决复杂的计算问题。
首先需要查看自己电脑的N卡支持的 CUDA 版本，在终端输入

nvidia-smi

显示的都是驱动支持的最高的CUDA版本，实际安装可以低于等于支持版本。

3.2.从官网下载所需的CUDA版本

CUDA 工具包下载地址

下载完成

3.3.CUDA安装

找到下载的安装包（exe文件）运行安装

选择安装路径（可自定义）：建议默认以防止出错

进行以下步骤

选择安装路径（可自定义）：建议默认以防止出错

3.4.添加必要的系统变量配置[环境变量]（可选，如果想在VS中使用CUDA就得进行这一步）

鼠标右键此电脑->属性->高级系统设置->环境变量，查看系统变量即可看到红色框选的两项。

安装过程中默认已经添加的系统变量如下

安装过程中默认已经添加的系统变量如下

 CUDA_PATH: C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.1CUDA_PATH_V11_1: C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.1CUDA_BIN_PATH: %CUDA_PATH%\bin CUDA_LIB_PATH: %CUDA_PATH%\lib\x64 CUDA_SDK_PATH: C:\ProgramData\NVIDIA Corporation\CUDA Samples\v11.1CUDA_SDK_BIN_PATH: %CUDA_SDK_PATH%\bin\win64 CUDA_SDK_LIB_PATH: %CUDA_SDK_PATH%\common\lib\x64

将上面没有的补充添加

向系统变量的Path ，添加如下四条信息：

 %CUDA_BIN_PATH%%CUDA_LIB_PATH%%CUDA_SDK_BIN_PATH%%CUDA_SDK_LIB_PATH%

3.5 验证配置是否成功

在终端输入下面三条命令注意版本下面是v11.1是否是自己版本路径

cd C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.1\extras\demo_suite
deviceQuery.exe
bandwidthTest.exe

终端显示如下信息则安装成功

终端输入下面命令

bandwidthTest.exe

终端输入查找CUDA版本

nvcc -V或者 nvcc --version

安装成功

四、CUDNN配置

cudnn下载
cudnn是cuda的一个补丁这里需要登录并填写问卷才能下载

下载的时候会说明cuda与cudnn的对应版本

解压后把里面 bin、include 、 lib 文件夹复制到CUDA/v11.1文件夹下替换对应的bin、include、 lib文件夹

终端输入

nvcc -V

至此CUDA和CUDNN安装完毕！！！！

五.安装Anaconda

5.1.下载Anaconda

首先到Anaconda官网下载安装包,

跳过注册

5.2.Anaconda下载完成后打开安装包进行安装:

安装路（可自己定义)路径：并且记住安装路径(最好默认路径防止后面出错)

勾选这两项方便环境配置，如果安装时没有勾选这两项建议重新安装，并！重！启！，涉及到环境变量的改动都建议在修改后重启。第一个勾选框是自动添加环境变量，第二为设置Anaconda默认环境（base)为python3.7环境

---

两个选框都要取消选中

验证Anaconda是否安装完成：

1.在开始菜单打开Anaconda Prompt(anaconda)

2.出现（base)开头的环境安装OK

5.3.为Anaconda配置国内源方便各种包的下载（配置清华源）该步骤可以不进行配置，可以使用清华的临时源 pip install 包名 -i https://pypi.tuna.tsinghua.edu.cn/simple some-package

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
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/msys2/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/
conda config --set show_channel_urls yes

5.4.Anaconda基础命令可以在电脑上创建各种各样的虚拟环境，方便适配不同的项目需求，因此使用起来十分方便、快捷。

查看cuda下面的已有环境
在命令行输入以下命令

conda info --envs
或者
conda env list

创建虚拟环境：
conda create -n 虚拟环境名称 python=需要版本

激活环境：
conda activate 虚拟环境名称

删除虚拟环境：
conda remove -n your_env_name
或
conda env remove --name your_env_name

六.安装Pytharm

首先到Pycharm官网Pycharm官网下载安装包，下载社区版即可,也可以在Other versions 根据配置的模型要求下载其他版本

下载完成后打开安装包

建议安装在c盘以外其它盘

全部勾选

等待安装完成（需要等待几分钟）

勾选第二个，点击Finish安装完成

以上步骤Pycharm安装完成（是否需要配置中文环境根据个人习惯配置）

打开Pycharm

七.下载源码和对应权重文件

7.1.yolov5源码下载

首先到github下载yolov5源码，本文采用Yolov5-5.0版本，视情况而下载不同版本

下载完成后将其解压到不带中文字符文件夹下，否则会使OpenCV的cv2.imread()函数读取不了待检测图片或视频
至此，Yolov5源码下载结束

7.2.yolov5源码下requirements文件阅读

打开Yolov5下的requirements文件:此文件标明了下载YOLOV5要配置的各种package版本及要求;请仔细阅读

不同的YOLOV5模型要求可能不同请根据自己下载的模型配置

7.3.yolov5源码下权重文件下载

首先到github下载yolov5源码，本文采用Yolov5-5.0版本，下载不同的版本要选择对应的权重(weight）文件

八、用Anaconda +prtorch + pycharm搭建YOLOV5环境

8.1.在Anaconda下创建一个yolov5虚拟环境

打开开始菜单中的anaconda prompt

创建名为yolov5（名字可以改变）的虚拟环境，这里python版本使用的是3.8,可以视情况改变

conda create -n yolov5 python==3.8

稍等片刻，询问是否下载，输入y

创建成功后

输入命令确认

conda env list

激活创建的yolov5环境

8.2.在激活的环境中安装pytorch

到Pytorch官网pytorch下载选择对应的系统和cuda版本

在激活的环境中输入对应的下载命令

conda install pytorch torchvision torchaudio pytorch-cuda=11.6 -c pytorch -c nvidia

• 在安装的时候网络时好时不好，有的时候会报错，我在网上看用官网的源会比较慢，让用清华的源，但是我一添加，不只是慢了，而是直接报连接超时的错误。。。后面所幸不修改.condarc硬着头皮用官方的conda下载，中间断断续续几次后竟然ok了，很奇怪

推荐到历史版本中查找自己对应的版本安装(小于等于安装的cuda版本，pytorch版本按照文档要求)

测试安装是否成功

使用命令查看torch版本

python
import torch
torch.__version__

使用一个矩阵运算测试是否能正常运行：

import torch as t
x = t.rand(5,3)
y = t.rand(5,3)
if t.cuda.is_available():x = x.cuda()y = y.cuda()print(x+y)

结果如下图即成功安装pytorch

8.3.在激活环境中安装YOLOV5所需的安装包

在终端里执行下面代码

requirements.txt存放着yolov5环境所需的包：

安装时注意后面添加国内的源（清华源：-i https://pypi.tuna.tsinghua.edu.cn/simple)

不然可能因为网速问题有些包安装失败

pip install -r 路径+requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

出现下面安装成功

8.4.pycharm中配置Anaconda创建的yolov5环境

参考文档

总体而言有两种方式进行“环境”的管理：
1.在anaconda中提前准备好项目所需的环境，然后在pycharm中选择相应环境的解释器。
2.在pycharm中设定新建项目时随即生成对应的环境。

方式一：需要提前准备好所需的环境，当项目间的包没有干扰时，可以复用其他项目的库，避免每次重新安装

方式二：每次都会生成独立的环境，不会对其他的项目造成干扰，但是每次创建项目时都会耗费较长的时间

6.2这里我们用方式二来配置环境

1.先打开yovo5环境在pycharm工具栏选择File->Settings

点击右上角的：add interpreter 添加解释器

一般在点击interpreter后面的`下拉箭头会自动检测已有的环境,直接选择就OK

如果没有自动加载进行如下操作
选择Conda Environment->Existing environment，点击interpreter后面的...，找到anaconda中的Python解释器，选中，点击OK。

点击OK

点击OK，设置成功！

如果出现：没有cuda executable继续下面的重点说明

说明重点：**

在4的下拉框中选择conda方式，然后pycharm会自动检测到location和python version，所以这两项默认就行。

最关键的是5，conda executable查了一圈都没有人特别说明，基本都是使用我刚才说的方式一，而且还都是用的anaconda默认的base环境。需要说明，这是一种非常不好的方式，因为之所以使用anaconda，就是因为它强大的环境控制能力，可以在不同的环境中使用不同版本的包，如果所有项目都直接指定某一固定的解释器，那为什么还要折腾anaconda？直接使用pip+virtualenv也是同样可以的。言归正传，conda executable指的是conda可执行文件（conda.exe）的位置，默认情况下为空，如果不指定，则会提示conda executable path is empty，需要手动选择或者输入。如6所示。它的位置在anaconda的安装位置的Scripts文件夹下，选择之后点击确定即可。

需要注意的是，使用方式二随之创建的新环境的位置同样在anaconda安装路径中的envs文件夹下，也同样可以使用Anaconda Prompt或者Anaconda Navigator进行环境管理和包管理，可以说是非常方便使用了。