@ powered by Doctor-James
本文章记录本人从零配置yolov5环境，作为一个环境配置教程。
1. Anaconda安装 Python？Anaconda？装anaconda，就不需要单独装python了
anaconda 是一个python的发行版，包括了python和很多常见的软件库, 和一个包管理器conda，可以通过anaconda在电脑上配置多个python环境，方便不同需求
1、anaconda里面集成了很多关于python科学计算的第三方库，主要是安装方便，而python是一个编译器，如果不使用anaconda，那么安装起来会比较痛苦，各个库之间的依赖性就很难连接的很好。
2、常见的科学计算类的库都包含在里面了，使得安装比常规python安装要容易
安装anaconda建议使用清华镜像站，速度较快,但清华镜像站目前只更新到v5.3.1，一些新包用这个版本可能安装不上，所以我们选择先用清华镜像站下载老版本，后续再升级
https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/
下载完成后，运行安装脚本
bash Anaconda3-5.2.0-Linux-x86_64.sh
安装过程中除了问是否安装VSCode选no，其他均选yes或按Enter即可
安装过程中会自动配置环境变量，所以安装完成后只需执行以下命令即可
source ~/.bashrc
最后检验是否安装好
conda --version conda list
检测python环境，发现Anaconda已经为我们安装好了
python
最后进行Anaconda的升级,会自动升级到最新版本
conda upgrade -n base -c defaults --override-channels conda2. 确定需求
首先在github上面git clone Yolov5源码，打开其中requirements.txt文件，里面详细写了需要配置的环境版本
# 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 scipy>=1.4.1 torch>=1.7.0 torchvision>=0.8.1 tqdm>=4.41.0 # Logging ------------------------------------- tensorboard>=2.4.1 # wandb # Plotting ------------------------------------ pandas 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
其中大部分环境都可以用pip install -r requirements.txt
其中torch和torchvision建议自己手动安装（将此文件中torch和torchvision部分删掉）
为什么我们需要手动安装torch和torchvision呢，是因为实际上这里要求的torch是大于1.7.0，而直接执行这个安装命令会安装为1.7.0，导致程序不能运行，所以需要手动安装更高版本
确定了torch版本，还需要确定对应的显卡驱动，CUDA，CUDNN版本，可在PyTorch官网查询对应的版本
https://pytorch.org/get-started/previous-versions/ //PyTorch官网
此处我选择了安装pytorch v1.8.0，对应CUDA 11.1，Linux x86_64 显卡驱动版本>=455.23
3. 配置环境 3.1 安装显卡驱动详细教程见此篇知乎
https://zhuanlan.zhihu.com/p/596189993.2 安装CUDA&cuDNN
- 进入NVIDIA官网下载CUDA
https://developer.nvidia.com/cuda-toolkit-archive
选择合适的版本之后（我这里选择的CUDA 11.1），选择如下图
下载完成后运行脚本
sudo sh cuda_11.1.0_455.23.05_linux.run
安装完毕之后，将以下两条加入.bashrc文件中
sudo vim ~/.bashrc
export PATH=/usr/local/cuda-11.1/bin${PATH:+:$PATH}} #注意，根据自己的版本，修改cuda-11.1...
export LD_LIBRARY_PATH=/usr/local/cuda-11.1/lib64${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}} #注意，根据自己的版本，修改cuda-11.1
到此为止cuda就安装好了
- 进入NVIDIA官网下载cuDNN（需要注册登陆）
https://developer.nvidia.com/rdp/cudnn-archive#a-collapse742-10
选择适配CUDA版本的cuDNN，我这里选择的是cuDNN v8.0.5
下载下来之后解压
接着复制cuDNN内容到cuda相关文件夹内
sudo cp cuda/include/cudnn.h /usr/local/cuda/include #注意，解压后的文件夹名称为cuda ,将对应文件复制到 /usr/local中的cuda内 sudo cp cuda/lib64/libcudnn* /usr/local/cuda/lib64 sudo chmod a+r /usr/local/cuda/include/cudnn.h /usr/local/cuda/lib64/libcudnn*
由于libcudnn*较大，笔者这里遇到了根目录内存不足的问题，遂使用软连接的方法，避免内存重复占用
命令为
ln -s source/* target/
如我把/home/zjl/Downloads/cudnn-11.1-linux-x64-v8.0.5.39/cuda/lib64下所有文件都连接到/usr/local/cuda/lib64/中：
sudo ln -s /home/zjl/Downloads/cudnn-11.1-linux-x64-v8.0.5.39/cuda/lib64/* /usr/local/cuda/lib64/
到此处，CUDA和cuDNN的安装就完成了。
可运行NVIDIA_CUDA-11.1_Samples里面的demo检验一下安装
cd /usr/local/cuda/samples/1_Utilities/deviceQuery #由自己电脑目录决定 make sudo ./deviceQuery
出现上述信息，说明cuda配置正确
3.3PyTorch环境首先conda添加清华源，下载速度会比较快
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/
创建一个新的虚拟环境,并命名为yolov5（命名随意）
conda create -n yolov5 python==3.7 source activate yolov5
安装PyTorch，torchvision
conda install pytorch==1.8.0 torchvision==0.9.0
最后验证pytorch和torchvision是否安装好
python import torch torch.__version__ import torchvision torchvision.__version__3.4 安装其他包
在自己下载的yolov5源码目录下（我的是/home/zjl/code/DNN/yolov5）打开终端，注意，此时打开终端系统默认的环境是base环境，base环境是安装anaconda时候conda自动配置的
而之前我们安装的python，pytorch，torchision都是在自创的虚拟环境yolov5中的，所以我们首先需要的是切换到我们自创的虚拟环境中，接着执行安装命令
注意：由于我们之前自己手动安装了pytorch和torchvision，所以执行安装命令之前要将requirements.txt中的torch>=1.7.0，torchvision>=0.8.1删除掉
source activate yolov5 pip install -r requirements.txt
到此为之我们所有的环境都已经安装好了
4. 运行demo在yolov5文件夹下执行以下命令测试是否安装完毕
python detect.py --source data/images/ --weights yolov5s.pt --conf 0.4
执行这个命令会自动在官网下载yolov5s.pt文件，如果执行命令下载失败，可以手动到官网下载
https://github.com/ultralytics/yolov5/releases/tag/v4.0
最后如果显示如下，那么恭喜你yolov5安装成功啦！！（也是恭喜我自己。。。）
demo执行结果如图
众所周知，深度学习配置环境一直是一个很搞心态的事情，但其实只要你心平气和，首先确定自己需要什么，再一步一步的配置，整个配置流程逻辑是很清晰的。
这也是笔者第一次配置这个环境，整个流程用时仅2个多小时。
希望大家以后做事也可以这样首先明确自己的目标，再落到实地，心平气和的一步一步的探索，配置过程中也许会遇到本教程没有出现的问题，希望大家可以静下心来排查问题，这样才可以起到事半功倍的效果。
