本教程安装环境为windows+anaconda。最终可实现直接在pycharm中进行yolov5深度学习训练。

一、安装anaconda

因anaconda服务器在境外可能存在网络问题，所以这里使用清华源镜像进行下载。

网址：https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/

按照需要选择自己需要的版本。

1、运行安装包，一路默认路径就ok，但是需要记清楚路径，因为后期有需要可以进行环境变量配置。

finish后，记得将两个对勾取消。

如果不想改变电脑主环境，可无需配置环境变量，因为anaconda自带命令窗口。

2、环境变量配置

自行配置path路径

3、测试是否安装成功

配置了环境变量的直接进入cmd，输入语句 conda --version即可。

如果未进行环境变量配置的同学，可以进入anaconda自带的命令窗口查看。

二、安装CUDA（也可以不安装：如果电脑没有英伟达的显卡）

CUDA安装与否决定这下载pytorch时的选择。

（一）CUDA概述

2006年，NVIDIA公司发布了CUDA(Compute Unified Device Architecture)，是一种新的操作GPU计算的硬件和软件架构，是建立在NVIDIA的GPUs上的一个通用并行计算平台和编程模型，它提供了GPU编程的简易接口，基于CUDA编程可以构建基于GPU计算的应用程序，利用GPUs的并行计算引擎来更加高效地解决比较复杂的计算难题。它将GPU视作一个数据并行计算设备，而且无需把这些计算映射到图形API。操作系统的多任务机制可以同时管理CUDA访问GPU和图形程序的运行库，其计算特性支持利用CUDA直观地编写GPU核心程序。

CUDA提供了对其它编程语言的支持，如C/C++，Python，Fortran等语言。只有安装CUDA才能够进行复杂的并行计算。主流的深度学习框架也都是基于CUDA进行GPU并行加速的，几乎无一例外。还有一个叫做cudnn，是针对深度卷积神经网络的加速库。

CUDA在软件方面组成有：一个CUDA库、一个应用程序编程接口（API）及其运行库(Runtime)、两个较高级别的通用数学库，即CUFFT和CUBLAS。CUDA改进了DRAM的读写灵活性，使得GPU与CPU的机制相吻合。另一方面，CUDA提供了片上（on-chip）共享内存，使得线程之间可以共享数据。应用程序可以利用共享内存来减少DRAM的数据传送，更少的依赖DRAM的内存带宽。

（二）安装（如果已安装英伟达显卡驱动可跳过此步）

1、NVIDIA下载:

新版本：https://www.nvidia.cn/Download/index.aspx?lang=cn

历史版本：https://www.nvidia.cn/Download/Find.aspx?lang=cn

cmd后输入：

cd C:\Program Files\NVIDIA Corporation\NVSMI\ nvidia-smi.exe

出现如下即安装成功

cd C:\Program Files\NVIDIA Corporation\NVSMI\

C:\Program FilesNVIDIA Corporation\NVSMI>nvidia-smi.exe Sat Mar 20 20:08:16 2021 +-----------------------------------------------------------------------------+ | NVIDIA-SMI 461.72 Driver Version: 461.72 CUDA Vesion: 11.2 | |-------------------------------+----------------------+----------------------+ | 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 GeForce GTX 108... WDDM | 00000000:1B:00.0 On | N/A | | 0% 31C P8 12W / 280W | 999MiB / 11264MiB | 1% Default | | | | N/A | +-------------------------------+----------------------+----------------------+

2、CUDA下载

在NVIDIA控制面板查看显卡驱动版本，选择合适的CUDA版本进行下载。

这个图的NVCUDA64.DLL中的 NVIDIA CUDA 12.2.68 driver即为当前可使用的最高cuda版本。

CUDA下载地址（清华镜像源）：CUDA Toolkit 10.1 update1 Archive | NVIDIA Developer

3、安装CUDA

选择“自定义安装”，选择以下四个组件后，点击下一步完成！

如果安装完后没有报错，并且

C:\ProgramData\NVIDIA Corporation\CUDA Samples\v10.1

C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.1

目录路径都存在的话，可进行下一步设置环境变量。

4、配置环境变量（与path同级）

CUDA_PATH = C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.1 CUDA_PATH_V9_1 = C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.1

##正常情况下上面两个电脑直接生成了

CUDA_SDK_PATH = C:\ProgramData\NVIDIA Corporation\CUDA Samples\v10.1 CUDA_LIB_PATH = %CUDA_PATH%\lib\x64 CUDA_BIN_PATH = %CUDA_PATH%\bin CUDA_SDK_BIN_PATH = %CUDA_SDK_PATH%\bin\win64 CUDA_SDK_LIB_PATH = %CUDA_SDK_PATH%\common\lib\x64

依次填入后，找到path依次点击新建,将 %CUDA_LIB_PATH%；%CUDA_BIN_PATH%；%CUDA_SDK_BIN_PATH%；%CUDA_SDK_LIB_PATH%；全部安装好后一定要记得重启！。

5.cdDNN配置

cuDNN地址如下，需要注册一个账号，才可以进入到下载界面。。

https://developer.nvidia.com/rdp/cudnn-download

注册成功后可以使用下面网址，查看适配的 cuDNN

https://developer.nvidia.com/rdp/cudnn-archive

下载之后将压缩包解压，会得到如下文件目录：

下载后发现其实cudnn不是一个exe文件，而是一个压缩包，解压后，有三个文件夹，把三个文件夹拷贝到cuda的安装目录下。打开电脑的环境变量查看，默认的安装路径如下：

C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.1

后面那个v11.1是你自己的版本号

CUDA 安装目录文件：

拷贝时看到，CUDA 的安装目录中，有和 cuDNN 解压缩后的同名文件夹，这里注意，不需要担心，直接复制即可。cuDNN 解压缩后的同名文件夹中的配置文件会添加到 CUDA安装目录中的同名文件夹中。

6.cudnn的环境变量配置

往系统环境变量中的 path 添加如下路径（根据自己的路径进行修改）

C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.1\bin

C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.1\include

C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.1\lib

C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.1\libnvvp

7、测试CUDA是否安装成功：

进入cuda安装路径：C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.1\extras\demo_suite

同样用cmd，分别输入deviceQuery.exe 和 bandwidthTest.exe，若都显示 Rsult=PASS 则说明通过，否则需要重新安装。

三.安装pytorch

1、用conda创建环境来安装不同版本的pytorch。

每次都安装删除会很麻烦，可以通过使用conda指令来为不同的版本创建单独的环境。进入anaconda的命令交互式后输入

指令： conda create -n pytorch python=3.8.16

---等号后面为python的版本号（如果不知道，可以在cmd中输入python --version进行查看）

安装过程会出现y/n提示，输入y即可。安装的速度与网速有关，如若期间有未安装成功的部分再重新输入语句继续安装即可。

2、安装结束后，可输入以下语句查看自己新安装的环境：

conda info --envs

*所指为当前所处环境

3、进入环境

输入语句：切换不同空间

activate base （外部环境）

activate pytorch （虚拟环境)

注意：此时的cmd界面不要关掉，之后会在此处进行安装pytorch操作。

4、下载

官网地址：https://pytorch.org/

在Get Started界面选择合适的版本，官网会给出相应的语句。

注意：CUDA版本的选择针对有支持cuda独显的电脑，可以通过这个网站来判断你的电脑显卡是否支持。如果不支持或者无显卡，则选择 None 。同时注意：有显卡的朋友们也要检查自己显卡驱动能够匹配的cuda版本，方法在此，如果显卡驱动太旧，建议使用Nvidia Experience或手动下载进行更新。

注意：因为pytorch服务器在境外，所以国内使用命令下载可能会出现各种未知的问题，所以在此文档中，使用本地离线下载方式安装。

首先根据自身的cuda版本和python版本，找到对应的pytorch，torchvision版本。

由上图标识处进入，可看到以往版本

例如此图为pytorch版本为v1.13.0，然后适用在linux和Windows的cuda版本11.6，11.7。对应的torchvision为0.14.0，torchaudio版本为0.13.0。

注意：torchvision和torchaudio与torch具有一一对应的关系，所以版本一定要对应，不然后续安装时会出现版本冲突问题。

点击链接下载上述对应版本的文件：https://download.pytorch.org/whl/torch_stable.html

找到对应版本的文件点击下载到本地文件夹，可以新建一个文件夹，将下载的文件保存在内。

接下来进入之前打开的提醒不要关闭的anaconda的命令交互式窗口，进入创建的pytorch虚拟环境，适用cd 命令进入到存放文件的文件夹。pip install “文件名”。

如果安装的版本不是对应匹配的，就会出现如下报错，那么就需要重新下载符合要求的版本文件，重新pip安装

安装成功后，输入

pip list

查看pip库列表中是否有torch和torchvision库。

检查安装情况

import torch

print(torch.__version__) print(torch.cuda.is_available())

若出现版本号且输出True即为成功！