深度学习模型训练推理——基础环境搭建推荐博文查阅顺序【基础安装—认真帮大家整理了】——【专栏博文推荐学习顺序】

原创 已于 2022-04-08 11:13:27 修改 · 置顶 · 1.3w 阅读 · 78 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#1024程序员节 #YOLO实战 #目标检测小白入门 #基础环境搭建推荐博文查阅顺序

于 2021-10-24 16:45:50 首次发布
本文汇总了深度学习环境配置的详细教程，包括CUDA、conda、PyTorch和Tensorflow的安装，以及YOLO系列模型的实战解析。同时，介绍了Linux服务器的基础环境搭建，如Ncnn、TensorRT和OpenCV的安装。此外，博主分享了使用VSCode远程调试的经验和资源，旨在帮助初学者高效解决环境问题，快速入门AI领域。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

  • 🥇 版权: 本文由【墨理学AI】原创、在CSDN首发、各位大佬、敬请查阅
  • 🎉 声明: 作为全网 A I领域 干货最多的博主之一，❤️ 不负光阴不负卿 ❤️
  • ❤️ 学习交流过程中，有 N 多小伙伴，包括我自己，我们经常会遇到各种环境搭建、库版本不匹配导致的一系列，让人脑阔子疼的 bug
  • 💙 博主这里梳理了自己过去两年，认真撰写的一些基础知识方面的干货博文，希望能够有效帮助到更多刚刚投身于ML、DL 领域不久的小伙伴们
  • ❤️ YOLO实战，你只看这一篇就够

文章目录

1024，你快乐了吗

1024，冲动消费了一把，开了 C站 2年会员，从此多了个标，以后资源可以任性下载了

1-5

小伙伴们，1024，值此佳节，墨理特向各位寄去我的祝福

1-5

👋 1024，干货来袭

1-6

📕 深度学习、调参搬砖、开发利器【大佬必备】

如果你是 Windows 系列系统，那么强烈建议虚拟机或者双系统走起

📗 深度学习模型训练基础环境搭建推荐博文顺序【基础安装】

🔔 【墨理学AI】博文涵盖：众多类别深度学习环境搭建、模型训练、论文代码测试、模型部署、基础教程，持续更新，保质保量，欢迎查阅

🟧 Cuda 安装

🟨 了解 conda 和 pip 加速安装各种深度学习库

🟦 Pytorch 安装

🟦 Tensorflow安装

📗 模型部署基础环境搭建博文推荐【基础安装】

这部分内容大多属于干货中的干货，不少博文属于专栏核心，各位小伙伴，按需查阅即可

🟦 基础环境

🟧 Ncnn 安装

🟨 TensorRT 安装

🟦 openCV 安装

🟧 ONNX 安装

🟨 MNN 安装

📕📙 专栏一定要订阅才能查阅吗

很多事情并不是非黑即白

  • 一个简单的订阅、对于整个人生全局而言可大可小
  • 只是这种不期而遇的认可、总是更容易让人惊喜和有成就感哈

人生不过3万多天、我们也不过是茫茫宇宙中一粒尘埃

衷心祝愿我们每个人都能够按照自己喜欢的方式过一生

  • 这不是第一次被催更、但是那份认真鼓励、让我心甘情愿、为各位粉丝小伙伴、坚持做好一个认真负责的博主、没准哪天也会成为 Up 主哈

5-9

  • 订阅专栏博文，大多基本符合用心撰写的态度和初心
  • 付费专栏中其实有很多反复修正的干货博文、发布时间比较早、当时博主粉丝不过百、所以阅读量大多不高、但是对于刚刚切入该领域研究方向的小伙伴而言、相信必有收获
  • 通过认真查阅干货博文、帮大家节约的各种解决基础环境、数据构建环境的时间收益远远高于订阅的基础支持
  • 博主后续会每周整理一篇硬核干货发布到订阅号 【墨理学AI】、有的小伙伴可能只想学习了解某专栏一两篇博文、觉得订阅不是很划算、只想看哪篇文章、可以和我说、嚯哈哈哈、博主也是刚刚从象牙塔过来的追求有趣有爱的学术菜鸡、表示完全能够理解各位小伙伴一路走来的艰辛和不易，欢迎小伙伴催文
  • 你的点赞和评论鼓励、真的会让博主更有动力创作更多干货

📘 一起建设属于我们搬砖人自己的技术圈子 —— 学术交流群

  • 很多小伙伴会通过维新或者私信和博主探讨一些问题
  • 大多属于博文中提到或者直接能够看懂的问题，我都会及时给出自己对这个问题的理解和建议
  • 对于一些比较别致【博文中没遇到、我在学习中也没有怎么遇到】的一类问题，博主也会有心无力、敬请各位小伙伴理解
  • 博主成立的有一些计算机视觉领域的交流小分队、有兴趣的可以了解、进群、学术交流群非常纯净、平时基本不会、也不鼓励闲聊、进群的每个小伙伴都应该养成把经过自己折腾【百度或者谷歌过】后仍不能有效解决的相关小疑问或者困惑、再提到群里进行交流的好习惯、而不是一遇到问题就习惯性抛给其他人
  • 人生的大多数时候、我们能够绝对依靠的人只有我们自己、同行让我们在 A I 取经之路不再孤单、各位加油

📙 YOLO 系列推荐博文参考顺序【只看一篇就够用】

🟦 YOLO 理论讲解学习篇

能够找到的质量 OK 的解读【我先收藏了】

YOLO系列英文论文分享 – 新建了一个 gitee 仓库，方便大家下载

🟧 Yolov5 系列
🟨 YOLOX 系列
🟦 Yolov3 系列
🟦 持续补充更新

❤️ 各位亲们，别忘了收藏、感谢三连 ❤️

❤️ 人生苦短， 欢迎和墨理一起学AI 💜

上一秒的我信誓旦旦

9-5

梦醒，洗头

9-6

9-9

深度学习知识点全面总结
专注大数据与人工智能技术分享，欢迎私信加群互相学习！
01-05 34万+
本文详细介绍深度学习概念及原理，参考网上相关资料汇总，内容包含众多章节，包括神经网络基础及常见深度学习网络结构介绍，用于个人学习总结，适合深度学习初学者学习。同时介绍机器学习常见的分类算法：SVM、神经网络、随机森林、逻辑回归、KNN、贝叶斯。常见的监督学习算法：感知机、SVM、人工神经网络、决策树、逻辑回归.........
【从零开始大模型开发与微调】AI 人工智能大语言模型 LLM：语言与思维——实践的融合
AI天才研究院
07-04 3000
在人工智能领域，大语言模型（Large Language Models, LLMs）已经取得了令人瞩目的成就。这些模型基于深度学习，通过在大量文本数据上预训练学习语言知识，被广泛应用于各种自然语言处理（NLP）任务，如图像描述、对话系统、翻译、摘要生成等。但这些模型的性能和表现，特别是其对语言和思维的理解，仍存在诸多困惑和疑问。大语言模型（LLMs）：指基于深度学习技术，通过在大量文本数据上预训练学习语言知识，能够理解和生成自然语言的大规模模型。自监督学习。
干货|基于CPU的深度学习推理部署优化实践
weixin_33798152的博客
02-05 3376
背景介绍随着人工智能技术在爱奇艺视频业务线的广泛应用，深度学习算法在云端的部署对计算资源，尤其是 GPU 资源的需求也在飞速增长。如何提高深度学习应用部署效率，降低云平台运行成本，帮助算法及业务团队快速落地应用和服务，让 AI 发挥真正的生产力，是深度学习云平台团队努力的目标 。从基础架构的角度，GPU资源的紧缺和GPU 利用率的不足是我们面临的主要挑战。由于大量的算法训练及推理服务需求，云端 G...
模型训练环境搭建
hello.reader
09-30 1661
在当今数据驱动的时代，机器学习和深度学习的应用越来越广泛，从自然语言处理到计算机视觉，模型训练的质量直接影响到最终的结果和性能。构建一个高效的模型训练环境是实现最佳模型性能的关键步骤之一。本文旨在为读者提供一个详细的模型训练环境搭建指南。我们将涵盖环境需求、工具选择、搭建步骤、数据准备、模型训练过程以及最佳实践等内容。通过这些信息，读者将能够更好地理解如何搭建适合自己需求的训练环境，从而提升模型的开发和训练效率。
深度学习模型配置与环境要求指南
gitblog_02068的博客
01-18 487
深度学习模型配置与环境要求指南 在当今的科技时代，深度学习模型成为了人工智能领域的核心。然而，想要充分发挥模型的潜力，正确的配置和环境搭建是至关重要的。本文将详细介绍如何配置环境，以及所需满足的系统要求和软件依赖，以确保您能够顺利运行和利用[模型名称]。 系统要求 操作系统 [模型名称]支持以下操作系统： Windows 10/11 macOS Big Sur 或更高版本 Ubuntu 18.0...
AI模型训练推理一定要知道的事情
weixin_44077556的博客
03-25 1万+
模型训练需要大量计算资源，包括CPU(Central Processing Unit)、GPU(Graphical Processing Unit)、TPU(Tensor Processing Unit)等，其中GPU是最为常见的硬件加速器。另外还可以通过算法优化提高模型训练效率。例如分布式训练技术（将数据和模型参数分配到多台机器上进行计算）、还可以采用模型压缩技术，将模型的大小压缩到最小。
训练与推理阶段
张齐贤的博客
03-06 6635
训练阶段 train 训练阶段：是神经网络在输入数据，通过数据和对应标签不断调整权重的过程，即生成模型的过程。 推理阶段 inference stage 推理阶段：当网络训练完毕后（权重不更新），输入数据后神经网络对其进行处理（比如输入猫的图片，神经网络将图片分类为猫），即模型开始工作进行预测。 ...
手把手写深度学习(10)：用Pix2Pix GANs实现sketch-to-image跨模态任务(理论基础)
沉迷单车的追风少年
03-01 3340
前言：2017年GANs正如火如荼地发展，有CGANs、DCGANs等前辈珠玉在前，Pix2Pix GANs横空出世，在多种多模态任务上有着亮眼的表现，并且首次把U-net结构带到了深层次生成模型当中，非常有意义。本文用Pix2Pix GANs实现sketch-image这一跨模态任务。 encoder-decoder：多模态基础 现在很多多模态的任务，都是基于encoder-decoder的结构，或者attention机制。作为多模态生成任务的鼻祖，pix2pix gan的生成器使用了encoder.
【超详细】MIT 液态神经网络（LNNs）——深度学习新动向
allein_STR的博客
01-05 1339
输入可以是任何形式的时间序列数据，其中表示时间。例如传感器读数、金融市场数据、语音信号等。
《深度学习实战》第1集：深度学习基础回顾与框架选择
最新发布
yweng18的博客
02-22 1162
本集回顾了深度学习的基础知识，包括神经网络、激活函数、损失函数和优化器，并对比了 TensorFlow 和 PyTorch 的特点。通过 MNIST 手写数字分类的实战项目，我们展示了如何使用这两种框架构建简单的全连接神经网络，并通过表格对比了它们的优劣。最后，我们探讨了大模型的背景及其在深度学习领域的重要性。
【扫盲】什么是模型推理（model inference）
热门推荐
elephant_my的博客
03-28 2万+
训练是通过从已有的数据中学习到某种能力，而推理是简化并使用该能力，使其能快速、高效地对未知的数据进行操作，以获得预期的结果。
mmsegment模型训练和推理（四）
alex1801
01-31 5199
目录 1、常用设定 2、模型训练 2.1、单GPU训练 2.2、使用多个GPU进行训练 3、模型推理 1、常用设定 1）默认使用4个GPU的分布式训练。 2）ImageNet上所有pytorch样式的预训练主干都是由open-lab团队自己训练的，参考文章https://arxiv.org/pdf/1812.01187.pdf。其中ResNet样式主干基于ResNetV1c变体，其中输入主干中的7x7转换被三个3x3转换取代。 3）为了确保不同硬件之间的一致性，将GPU内存报告torc
模型推理部署——基础概念篇
u014448054的博客
08-31 1万+
模型推理部署——基础概念篇 训练（training）vs推理（inference） 训练是通过从已有的数据中学习到某种能力，而推理是简化并使用该能力，使其能快速、高效地对未知的数据进行操作，以获得预期的结果。 训练是计算密集型操作，模型一般都需要使用大量的数据来进行训练，通过反向传播来不断的优化模型的参数，以使得模型获取某种能力。在训练的过程中，我们常常是将模型在数据集上面的拟合情况放在首要位置的。而推理过程在很多场景下，除了模型的精度外，还更加关注模型的大小和速度等指标。这就需要对训练的模型进行一些压缩
Jetson Nano 模型训练和推理流程
mygia的专栏
05-05 2797
深度学习的训练和推理流程，是先采用高性能图形服务器使用深度学习框架来训练（Training）机器学习算法，研究大量的数据来学习一个特定的场景，完成后得到模型参数，再部署到终端执行机器学习推理（Inference），以训练好的模型从新数据中得出结论。 一般的深度学习项目，训练时为了加快速度，会使用多 GPU 分布式训练。但在部署推理时，为了降低成本，往往使用单个 GPU 机器甚至嵌入式平台进行部署。Jetson Nano 可以完成整个训练和推理流程，但基于 Jetson Nano 的低算力，不推荐在 J
深度学习模型推理速度缓慢原因分析
keep forward, go, go, go
12-23 2万+
碰到一个问题，在训练好一个模型后，实际使用时，即只有前向推理过程，速度缓慢，大概1s能执行100次。之所以会认为推理的速度变慢，主要原因在于，在训练模型时，会在训练集和验证集上，获取算法的准确率，那么就需要进行前向推理。在这里，会有大概500,000个样本，而只需要200s左右，大约2500/s。 那么为什么在实际进行推理时速度会变慢这么多呢？ 分析后发现，主要原因有二： 1、训练模型时，...
深度学习笔记：推理服务
FBeetle的博客
07-24 2836
深度学习工业领域，算法人员通过对具问题建模解决一个场景的业务问题，工程人员通过平台化的方式解决一类模型训练/推理问题。因此互联网公司里，算法人员居多，工程人员偏少，大部分人对工程方面知识了解较少，本文希望通过通俗易懂的方式记录下少为人知的算法工程技术知识...
NCNN、OpenVino、 TensorRT、MediaPipe、ONNX，各种推理部署架构，到底哪家强？
DeepAIedu的博客
11-14 4435
​以深度学习为主的人工智能算法模型在日常AI应用中逐渐占据主流方向，相关的各类产品也是层出不穷。我们平时所看到的AI产品，像刷脸支付、智能语音、银行的客服机器人等，都是AI算法的具体落地应用。AI技术在具体落地应用方面，和其他软件技术一样，也需要具体的部署和实施的。既然要做部署，那就会有不同平台设备上的各种不同的部署方法和相关的部署架构工具，目前在人工智能的落地部署方面，各大平台机构也都是大展身手，纷纷推出自家的部署平台。 目前市场上应用最广泛的部署工具主要有以下几种：腾讯公司开发的移动端平台部署工具
C++开发服务器部署深度学习NLP、CV模型提供在线推理功能
weixin_44305190的博客
10-31 1020
基于C++实现Webserver服务器并部署深度学习模型提供在线推理功能。 基于epoll、线程池、定时器等技术实现Webserver服务器，支持并发、解析http请求、支持请求深度学习模型推理结果。
新手复现yolox遇到的问题（小白指南）
weixin_43722349的博客
07-14 2121
本文复现环境：CUDA11.3 ；单卡 从0开始深度学习环境配置：从0开始深度学习环境配置 新手教程：新手教程 本文复现数据集：COCO2017 和 自制无人机数据集（labelme标注） 均转换为VOC格式处理出错的方式 无配套torch、torchvision，直接用以上命令安装包，会导致很多版本不兼容的问题建议的安装方式 （1）安装torch、torchvision的时候，建议官网下载，根据自己的cuda版本安装！ pytroch官网 （2）其他的包 3. 训练自己数据集（labelme-to-
评论 3
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

墨理学AI

不必打赏，关注博主公众号即可

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值