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
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。
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。
进入pytorch网址：https://pytorch.org/，下载之前版本的pytorch。下载步骤如下：
将复制出来的命令，粘贴至终端输入：
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。
(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
(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
# 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。
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
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：
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-wit 1.8.1
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。
YOLOv5 2021-10-12 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
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
