CV--基于GPU版CUDA环境+PycharmYOLOv8目标检测

目录

下载 CUDA

下载  cuDNN

下载 anaconda

安装  PyTorch

pycharm 搭配 yolo 环境并运行

---

阅读本文须知，需要电脑中有 Nvidia 显卡 下载 CUDA

打开 cmd ，输入 nvidia-smi ，查看电脑支持 CUDA 版本：

我这里是12.0，进入 CUDA 官网： developer.nvidia /cuda-toolkit-archive developer.nvidia /cuda-toolkit-archive

找到对应版本：

按照自己电脑配置选择，点击下载：

双击启动，选择下载位置

注意自定义安装才能选择安装位置：

一路点击下一步，继续等等，完成下载。

安装出现问题的可用看看这个

【安装完CUDA后文件夹消失解答】_cuda安装后文件夹不见了-CSDN博客

是否下载成功，输入： nvcc -V

下载  cuDNN

下载完成后，为了实现加速，还需下载对应的  cuDNN

cuDNN Archive | NVIDIA Developer

这里以我为例：

下载解压完是三个文件夹：

将这三个文件夹中的内容分别复制到之前下载的 CUDA 中对应的问价夹中。

环境配置：

点击【系统】--【高级系统设置】--【环境变量】--系统变量中的【Path】--【新建】

新建刚才添加的三个文件：

验证：

下载 anaconda

大家可用自行下载，注意下载时要勾选上添加环境变量

打开 anaconda 命令行

输入： 

conda create -n YOLO-GPU python=3.8

验证环境

先后执行下面脚本：

conda activate YOLO-GPU python

安装  PyTorch

选择与 cuda 对应的 pytorch 版本。安装的 cuda 版本需大于等于 pytorch 支持的版本。

Start Locally | PyTorch

官网上已经不推荐使用 Conda 下载了，可用选择使用 Pip 下载，Conda 下载命令这里也给出（在 anaconda prompt 中依次输入）：

conda activate YOLO-GPU conda install pytorch torchvision torchaudio pytorch-cuda=11.8 -c pytorch -c nvidia

pip 的下载命令，官方给的速度太慢，可以加上清华源下载：

pip install torch torchvision torchaudio --index-url pypi.tuna.tsinghua.edu /simple --extra-index-url download.pytorch.org/whl/cu121

百度网盘 请输入提取码百度网盘为您提供文件的网络备份、同步和分享服务。空间大、速度快、安全稳固，支持教育网加速，支持手机端。注册使用百度网盘即可享受免费存储空间 pan.baidu /s/1dxxndKEj607g1wlkl6mgSg?pwd=knvg#list/path=%2Fsharelink3901291660-1103934630550953%2FYOLOv8%2FYOLO-GPU%E7%89%88%E4%B8%93%E7%94%A8%E5%8C%85&parentPath=%2Fsharelink3901291660-1103934630550953

实在不行可以直接用上面百度网盘或者我资源里的，将那三个文件放在某个地方（放哪儿都行），使用 Anaconda Navigator，打开 YOLO-GPU 终端：

定位到存放前面三个文件的地方，然后依次输入以下三个命令，将这三个包下载到虚拟环境中：

pip install torch-1.13.1+cu116-cp38-cp38-win_amd64.whl pip install torchaudio-0.13.1+cu116-cp38-cp38-win_amd64.whl pip install torchvision-0.14.1+cu116-cp38-cp38-win_amd64.whl

pycharm 搭配 yolo 环境并运行

pycharm 直接切换成新建的 conda 环境即可：

训练的代码跟这两篇文章差不多：

【玩转全栈】----YOLO8训练自己的模型并应用_王者荣耀yolo模型-CSDN博客

【玩转全栈】---基于YOLO8的图片、视频目标检测-CSDN博客

需要修改一点代码：

# 开始训练模型 from ultralytics import YOLO # 加载预训练模型 model = YOLO('yolo8l.pt') # 开始训练模型 model.train( data='data.yaml', #训练数据集 epochs=500, #训练轮次 imgsz=640, #输入图片尺寸（会转换为该尺寸） batch=32, #每次训练的批量 device='cpu' #GPU更快 ) print("训练结束")

device 参数改为

device='cuda:0'

并在后面加上一个参数：

workers=0

否则会报内寸不足的错误，修改后代码如下：

from ultralytics import YOLO def main(): # 加载预训练模型 model = YOLO('yolov8l.pt') # 开始训练模型 model.train( data='data.yaml', # 训练数据集 epochs=300, # 训练轮次 imgsz=320, # 输入图片尺寸（会转换为该尺寸） batch=4, # 每次训练的批量 device='cuda:0', # 使用GPU训练，如果有多个GPU，可以指定如 'cuda:0' workers=0 ) print("训练结束") if __name__ == '__main__': main()

运行成功结果：

可以看到使用 GPU 训练仅仅用了 0.419 小时，比之前使用 CPU 训练要快得多。

训练完模型后运用，结果如下（因为训练集很少，预测不准确，仅供参考）：

yolo8汽车检测

本文参考：

【YOLO】YOLOv8 GPU版显卡CUDA环境安装与配置 - Powered by Discuz!

【yolov8基础教程】Yolov8模型训练GPU环境配置保姆级教程（附安装包）-CSDN博客

YOLOV8从环境部署（GPU版本）到模型训练——专为小白设计一看就懂_ultralytics压缩包-CSDN博客

感谢您的三连！！！