全志V853开发板搭建YOLOV5-V6.0环境

aleksib

全志V853开发板搭建YOLOV5-V6.0环境 [复制链接]

 

# Conda搭建YOLOV5-V6.0环境 ## 0.前言 ​ 本章节主要记录如何搭建yolov5-v6.0环境，并支持CUDA加速。此文章的硬件要求如下，如果您的电脑没有显卡设备，这篇文章无法给您当做参考。 **硬件与软件列表：** * CPU：Intel(R) Xeon(R) CPU E5-2680 v4 @ 2.40GHz 2.40 GHz * 显卡：RTX 3060 * 系统：Windows 10 专业工作站版 ## 1.搭建Python环境 打开Conda终端，创建Python3.7的Conda环境，输入 ```lua conda create -n py37_yolov5 python=3.7 ``` 创建完成后，需要安装pytorch。 ## 2.安装Pytorch和cuda 两者的安装顺序没有要求，但都有版本要求。简而言之：两者版本需要对应，一个高版本和一个低版本会导致CUDA无法使用。 需要查了显卡驱动版本，查看方式如下：  如果客户的驱动版本过低，更新显卡驱动即可升级，更新方法可在网上自行搜索。 下面我安装CUDA11.3版本的，以满足更多客户的需要。 将复制出来的命令，粘贴至终端输入： ```r conda install pytorch==1.10.0 torchvision==0.11.0 torchaudio==0.10.0 cudatoolkit=11.3 -c pytorch -c conda-forge ``` 测试安装的pytorch是否可用 在Conda终端输入`python`后，加载torch模块，打印cuda是否可用。 ```python (py37_yolov5) D:\Programmers\ModelDeployment\2.yolov5\yolov5-train\yolov5-6.0\yolov5-6.0>python Python 3.7.16 (default, Jan 17 2023, 16:06:28) [MSC v.1916 64 bit (AMD64)] :: Anaconda, Inc. on win32 Type "help", "copyright", "credits" or "license" for more information. >>> import torch >>> torch.cuda.is_available() True >>> exit() ``` ## 3.安装YOLOV5-V6.0版本依赖包 安装前，查看已经安装的依赖包，输入`pip list` ```diff (py37_yolov5) D:\Programmers\ModelDeployment\2.yolov5\yolov5-train\yolov5-6.0\yolov5-6.0>pip list Package Version ----------------- -------- certifi 2023.5.7 cycler 0.11.0 fonttools 4.38.0 kiwisolver 1.4.4 numpy 1.21.6 packaging 23.1 Pillow 9.2.0 pip 22.3.1 pyparsing 3.1.0 python-dateutil 2.8.2 setuptools 65.6.3 six 1.16.0 torch 1.10.0 torchaudio 0.10.0 torchvision 0.11.0 typing_extensions 4.6.3 wheel 0.38.4 wincertstore 0.2 ``` 查看源码目录中的依赖文件`requirements.txt`可知，这里我不建议直接输入`pip install -r requirements.txt` ```shell # pip install -r requirements.txt # Base ---------------------------------------- matplotlib>=3.2.2 numpy>=1.18.5 opencv-python>=4.1.2 Pillow>=7.1.2 PyYAML>=5.3.1 requests>=2.23.0 scipy>=1.4.1 torch>=1.7.0 torchvision>=0.8.1 tqdm>=4.41.0 # Logging ------------------------------------- tensorboard>=2.4.1 # wandb # Plotting ------------------------------------ pandas>=1.1.4 seaborn>=0.11.0 # Export -------------------------------------- # coremltools>=4.1# CoreML export # onnx>=1.9.0# ONNX export # onnx-simplifier>=0.3.6# ONNX simplifier # scikit-learn==0.19.2# CoreML quantization # tensorflow>=2.4.1# TFLite export # tensorflowjs>=3.9.0# TF.js export # Extras -------------------------------------- # albumentations>=1.0.3 # Cython# for pycocotools https://github.com/cocodataset/cocoapi/issues/172 # pycocotools>=2.0# COCO mAP # roboflow thop# FLOPs computation ``` 这里我建议在Conda命令中单独安装所需的依赖，查漏补缺，缺少了哪个依赖包就补充哪一个即可。 ```bash pip install opencv-python==4.7.0.68 -i https://pypi.doubanio.com/simple/ pip install matplotlib==3.5.3 -i https://pypi.doubanio.com/simple/ pip install PyYAML==6.0 -i https://pypi.doubanio.com/simple/ pip install requests==2.28.2 -i https://pypi.doubanio.com/simple/ pip install tqdm==4.64.1 -i https://pypi.doubanio.com/simple/ pip install tensorboard==2.11.2 -i https://pypi.doubanio.com/simple/ pip install pandas==1.1.5 -i https://pypi.doubanio.com/simple/ pip install seaborn==0.12.2 -i https://pypi.doubanio.com/simple/ pip install coremltools==4.1 -i https://pypi.doubanio.com/simple/ pip install onnx==1.13.0 -i https://pypi.doubanio.com/simple/ pip install onnxsim==0.4.13 -i https://pypi.doubanio.com/simple/ pip install scikit-learn==0.19.2 -i https://pypi.doubanio.com/simple/ ``` 或者使用清华源 ```bash pip install opencv-python==4.7.0.68 -i https://pypi.tuna.tsinghua.edu.cn/simple pip install matplotlib==3.5.3 -i https://pypi.tuna.tsinghua.edu.cn/simple pip install PyYAML==6.0 -i https://pypi.tuna.tsinghua.edu.cn/simple pip install requests==2.28.2 -i https://pypi.tuna.tsinghua.edu.cn/simple pip install tqdm==4.64.1 -i https://pypi.tuna.tsinghua.edu.cn/simple pip install tensorboard==2.11.2 -i https://pypi.tuna.tsinghua.edu.cn/simple pip install pandas==1.1.5 -i https://pypi.tuna.tsinghua.edu.cn/simple pip install seaborn==0.12.2 -i https://pypi.tuna.tsinghua.edu.cn/simple pip install coremltools==4.1 -i https://pypi.tuna.tsinghua.edu.cn/simple pip install onnx==1.13.0 -i https://pypi.tuna.tsinghua.edu.cn/simple pip install onnxsim==0.4.13 -i https://pypi.tuna.tsinghua.edu.cn/simple pip install scikit-learn==0.19.2 -i https://pypi.tuna.tsinghua.edu.cn/simple ``` 安装完成后，查看依赖包列表如下所示： ```yaml Package Version ----------------------- -------- absl-py 1.4.0 attr 0.3.2 attrs 23.1.0 cachetools 5.3.0 certifi 2023.5.7 charset-normalizer 3.1.0 colorama 0.4.6 coremltools 4.1 cycler 0.11.0 fonttools 4.38.0 google-auth 2.20.0 google-auth-oauthlib 0.4.6 grpcio 1.56.0 idna 3.4 importlib-metadata 6.6.0 kiwisolver 1.4.4 Markdown 3.4.3 markdown-it-py 2.2.0 MarkupSafe 2.1.2 matplotlib 3.5.3 mdurl 0.1.2 mpmath 1.3.0 numpy 1.19.5 oauthlib 3.2.2 onnx 1.13.0 onnxsim 0.4.13 opencv-python 4.7.0.68 packaging 23.1 pandas 1.1.5 Pillow 9.2.0 pip 22.3.1 protobuf 3.20.3 pyasn1 0.5.0 pyasn1-modules 0.3.0 Pygments 2.15.1 pyparsing 3.1.0 python-dateutil 2.8.2 pytz 2023.3 PyYAML 6.0 requests 2.28.2 requests-oauthlib 1.3.1 rich 13.3.5 rsa 4.9 scikit-learn 0.19.2 scipy 1.7.3 seaborn 0.12.2 setuptools 65.6.3 six 1.16.0 sympy 1.10.1 tensorboard 2.11.2 tensorboard-data-server 0.6.1 tensorboard-plugin-wit1.8.1 torch 1.10.0 torchaudio 0.10.0 torchvision 0.11.0 tqdm 4.64.1 typing_extensions 4.6.3 urllib3 1.26.15 Werkzeug 2.2.3 wheel 0.38.4 wincertstore 0.2 zipp 3.15.0 ``` ## 4.测试YOLOV5环境 ### 4.1 测试检测模型 进入YOLOV5源码目录后，输入`python detect.py`  可以看到已经可以检测出CUDA显卡设备号0。 ```yaml YOLOv52021-10-12 torch 1.10.0 CUDA:0 (NVIDIA GeForce RTX 3060, 12287.5MB) ``` ### 4.2 测试导出模型 在终端输入 ```css python export.py --weights yolov5s.pt --include onnx --dynamic ```  ### 4.3 测试训练模型 在终端输入 ``` python train.py ``` [](https://forums.100ask.net/uploads/default/original/2X/4/4a23b06259c7f85883a69f8aab465f93c0e85910.png "image-20230627182900796")

humancat01

我非常支持国产芯片

lugl4313820

• CPU：Intel(R) Xeon(R) CPU E5-2680 v4 @ 2.40GHz 2.40 GHz
• 大佬用的可是服务器，牛呀！