Windows系统配置yolo11训练环境

原创已于 2024-11-22 13:26:36 修改 · 2.1k 阅读

37 ·

CC 4.0 BY-SA版权

文章标签：

#windows #yolo #python

于 2024-11-18 19:49:44 首次发布

YOLO11专栏专栏收录该内容

1 篇文章

订阅专栏

文章目录

1. 下载yolo11的源码

从github上面下载zip，然后解压文件;
下载网址

2. 安装好miniconda和pycharm(社区版就行)

安装miniconda和pycharm的方法网上有很多，按照步骤安装就好；

3. 在command窗口通过nvidia-smi查看当前显卡支持安装最大的cuda版本

nvidia-smi 显示的 CUDA 版本
- 表示显卡驱动支持的最高 CUDA 版本，不是系统实际安装的 CUDA Toolkit 版本。
训练和简单推理
- 无需单独安装 CUDA Toolkit 和 cuDNN，直接安装 PyTorch 等框架即可，所需的 CUDA 和 cuDNN 已内置。
部署需求（如 TensorRT 导出）
- 需要安装 CUDA Toolkit 和 cuDNN，确保版本与显卡驱动和框架兼容。
总结
- 训练/推理：直接安装框架即可。
- 部署/TensorRT：需安装完整的 CUDA Toolkit 和 cuDNN。

C:\Windows\System32>nvidia-smi

Wed Nov 13 19:29:33 2024
+---------------------------------------------------------------------------------------+
| NVIDIA-SMI 546.24                 Driver Version: 546.24       CUDA Version: 12.3     |
|-----------------------------------------+----------------------+----------------------+
| GPU  Name                     TCC/WDDM  | Bus-Id        Disp.A | Volatile Uncorr. ECC |
| Fan  Temp   Perf          Pwr:Usage/Cap |         Memory-Usage | GPU-Util  Compute M. |
|                                         |                      |               MIG M. |
|=========================================+======================+======================|
|   0  NVIDIA GeForce RTX 4060 ...  WDDM  | 00000000:01:00.0 Off |                  N/A |
| N/A   43C    P0              14W / 140W |      0MiB /  8188MiB |      0%      Default |
|                                         |                      |                  N/A |
+-----------------------------------------+----------------------+----------------------+

+---------------------------------------------------------------------------------------+
| Processes:                                                                            |
|  GPU   GI   CI        PID   Type   Process name                            GPU Memory | 	 	  	  
|        ID   ID                                                             Usage      |
|=======================================================================================|
|  No running processes found                                                           |
+---------------------------------------------------------------------------------------+

4. 在pytorch.org的官网下查看满足当前cuda版本的pytorch版本

官方网址

Pytorch安装注意事项
- 16XX的显卡，安装cu102的版本，否则可能训练出现问题；
- 30XX、40XX显卡，要安装cu111以上的版本，否则无法运行；
例如我是1660的显卡，则需要安装cu102的版本，我在官方网站找到一个合适的pytorch版本为v1.12.0，如下图所示，后续就需根据pytorch的版本去敲定python的版本

5. 根据选定的pytorch版本确定需要安装的python版本

官方查询文档

例如pytorch的版本是1.12.0，就需要 3.6 <=python版本<=3.8;

6. 使用pycharm打开之前下载解压好的源代码

注意打开的路径；确保是从源代码文件夹的根路径打开的；
因为解压后的文件夹一般是两个相同名称嵌套的，所以需要手动删除最外层的文件夹，或者使用pycharm从里层文件夹打开源代码；
如下图,pycharm就是从ultralytic-main这一层文件夹打开的，里层就是源代码文件；

7. 在pycharm中使用miniconda建好虚拟环境，选择对应python版本

按照下图位置创建虚拟环境
如下图使用miniconda创建的虚拟环境名称为yolov5-fire-42-master(在pycharm中重新关闭终端，然后再打开即可激活当前虚拟环境)

8. 使用开发者模式安装当前yolo11源码包

安装命令
```
pip install -e . 
```
运行以后会自动安装当前项目缺少的模块；
如果是yolo5的话需要使用提供的requirements.txt进行安装；
此外，在安装好源码包以后，要检查您的 GPU 驱动程序和 CUDA 是否已启用并可通过 PyTorch 访问，请运行以下命令以返回 CUDA 驱动程序是否已启用：
```
import torch
print(torch.cuda.is_available()) # 成功返回True
```

9. 验证yolo是否能使用

在当前虚拟环境的终端输入以下命令

yolo predict model=yolov11n.pt source='https://ultralytics.com/images/bus.jpg' # 默认使用GPU
yolo predict model=yolov11n.pt source='https://ultralytics.com/images/bus.jpg' device=cpu # 使用cpu

如下图所示是使用yolo8运行该命令，就会提示使用的python版本是3.8.19，使用的显卡类型是NVIDIA GeForce RTX 3070 Ti Laptop GPU

(yolov5-fire-42-master) PS D:\xujiamiao\ultralytics-main> yolo predict model=yolov8n.pt source='https://ultralytics.com/images/bus.jpg'
Ultralytics YOLOv8.2.92 🚀 Python-3.8.19 torch-1.10.0 CUDA:0 (NVIDIA GeForce RTX 3070 Ti Laptop GPU, 8192MiB)
YOLOv8n summary (fused): 168 layers, 3,151,904 parameters, 0 gradients, 8.7 GFLOPs

Downloading https://ultralytics.com/images/bus.jpg to 'bus.jpg'...
100%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 134k/134k [00:00<00:00, 665kB/s]
image 1/1 D:\xujiamiao\ultralytics-main\bus.jpg: 640x480 4 persons, 1 bus, 1 stop sign, 129.4ms
Speed: 23.7ms preprocess, 129.4ms inference, 97.2ms postprocess per image at shape (1, 3, 640, 480)
Results saved to D:\text\runs\detect\predict
💡 Learn more at https://docs.ultralytics.com/modes/predict

如下图所示是使用yolo8运行该命令，就会提示使用的python版本是3.8.19，使用的CPU类型是12th Gen Intel Core™ i9-12950HX

(yolov5-fire-42-master) PS D:\xujiamiao\ultralytics-main> yolo predict model=yolov8n.pt source='https://ultralytics.com/images/bus.jpg' device=cpu 
Ultralytics YOLOv8.2.92 🚀 Python-3.8.19 torch-1.10.0 CPU (12th Gen Intel Core(TM) i9-12950HX)
YOLOv8n summary (fused): 168 layers, 3,151,904 parameters, 0 gradients, 8.7 GFLOPs

Found https://ultralytics.com/images/bus.jpg locally at bus.jpg
image 1/1 D:\xujiamiao\ultralytics-main\bus.jpg: 640x480 4 persons, 1 bus, 1 stop sign, 94.2ms
Speed: 4.9ms preprocess, 94.2ms inference, 86.1ms postprocess per image at shape (1, 3, 640, 480)
Results saved to D:\text\runs\detect\predict2
💡 Learn more at https://docs.ultralytics.com/modes/predict