YOLOv8模型训练GPU环境配置保姆级教程

YOLOv8模型训练GPU环境配置保姆级教程

引用

CSDN

1.

https://blog.csdn.net/m0_75067840/article/details/139861757

本文将详细介绍如何配置YOLOv8模型训练所需的GPU环境。从硬件确认、CUDA和cuDNN的安装、虚拟环境的创建到最终使用PyCharm进行YOLOv8环境搭建，每个步骤都配有详细的说明和代码示例。

Yolov8 环境搭建

1.确定硬件条件

• 确认有显卡
  ①这一步很重要，请确认你的电脑中有显卡，并且是 Nvidia 显卡。
  ②可以通过下面链接更新显卡的驱动：官网直通车

2.确认显卡的算力

• 进入链接查询所使用的显卡算力情况
  

下面是 pyTorch 支持的算力版本：

• PyTorch 1.7 及之前的版本通常支持 3.5 以上的算力。
• PyTorch 1.8 及之后的版本开始将最低算力提高到 3.7。
• PyTorch 1.10 及之后的版本，最低算力要求是 5.0。

查看 pytorch 版本&支持的 cuda 算力

import torch
print(torch.version)

安装CUDA

1.检查显卡支持的 CUDA 版本

2.安装CUDA

• 官方下载地址
• 安装过程选择自定义，尽量全部勾选，避免缺失内容。
• 安装结束，重启电脑

3.验证：

nvcc -V

• 环境变量不需要配置，因为在安装之后就默认添加好了，9.0 版本之前（包括 9.0）还是需要配置环境变量的。

�安装备DNN

• 安装完 CUDA 后，我们为了实现加速，还应安装【对应版本】的 cuDNN。下载地址
• 下载对应版本的 cuDNN，如下图所示：

1.拷贝文件

• 下载对应版本的cuDNN解压后有下面三个文件夹
• 然后把文件夹里面的内容，拷贝到 cuda 安装目录下对应的文件夹里面。
• 把 bin 目录的内容拷贝到：
  C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.4\bin
• 把 include 目录的内容拷贝到：
  C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.4\include
• 把 lib\u0064 目录的内容拷贝到：
  C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.4\lib\u0064

2.环境配置

3.验证

• 打开终端，运行 C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.4\extras\demo_suite下的 bandwidthTest.exe 和 deviceQuery.exe

创建虚拟环境

1.安装 Anaconda

• 可以通过链接下载安装：官方直达傻瓜式安装，一直下一步就可以，安装时请选择自动注册环境变量！！！
  

2.创建虚拟环境

• 打开 Anaconda 命令行工具

conda create -n YOLO-GPU python=3.11

3.验证环境

• 先后执行下面脚本

conda activate YOLO-GPU
python

安装 GPU 版本的 PyTorch

1.下载链接

• 选择与 cuda 对应的 pytorch 版本。如果安装的 cuda 版本大于 pytorch 支持的版本，请选择向下版本的。

2.安装

• 复制底下的 Anaconda 的命令到打开 Anaconda 命令行工具执行即可。

conda activate YOLO-GPU
conda install pytorch torchvision torchaudio pytorch-cuda=12.1 -c pytorch -c nvidia

3.验证

import torch
flag = torch.cuda.is_available()
if flag:
    print("CUDA可使用")
else:
    print("CUDA不可用")
ngpu= 1
# Decide which device we want to run on
device = torch.device("cuda:0" if (torch.cuda.is_available() and ngpu > 0) else "cpu")
print("驱动为：",device)
print("GPU型号： ",torch.cuda.get_device_name(0))
torch.cuda.is_available()
cuda是否可用；
torch.cuda.device_count()
返回gpu数量；
torch.cuda.get_device_name(0)
返回gpu名字，设备索引默认从0开始；
torch.cuda.current_device()
返回当前设备索引；

PyCharm搭建YOLOV8环境

• 下载链接https://github.com/ultralytics/ultralytics

1.pycharm 导入

• 解压缩下载的文件，把 ultralytics-main\ultralytics-main 拷贝到你需要乐意存放的位置。
• 然后 Pycharm 打开对应文件夹，加载项目文件。

2.PyCharm更换Python环境

• 按照下面的序号点击按钮：
• 添加 anaconda，按下面的序号操作：这里需要找 anaconda 安装目录下的 conda.exe,然后点击 Load Environments,加载 conda。
• 选择带有 GPU-pytorch 的 conda 环境

3.安装依赖

pip install ultralytics

训练模型

1.数据标注有很多种工具可用，本人使用 label studio 进行数据标注，具体操作请自行百度，此处不再赘述

2.使用 yolov8 进行训练工作，直达直通车

• 图像识别训练

yolo detect train data=./ch_data.yaml model=yolov8n.yaml pretrained=./ch_best.pt epochs=100 imgsz=1024 batch=4 workers=2 device=0

• 图像识别预测推理
  

yolo detect predict model=./ch_best.pt source=E:\\公司数据\\烟草 AI 识别\\虫害识别\\images\\0d7a1fa3-t019d877c537ccfe732.jpg save=true conf=0.5

• 图像识别模型导出 onnx

yolo export model=./ch_best.pt format=onnx opset=11

• 图像分类训练

yolo classify train data=./datasets/ymsyq_det/ model=./yolov8n-cls.yaml pretrained=./yolov8n-cls.pt epochs=20 imgsz=64 batch=4 workers=2 device=0

• 图像分类推理预测

yolo classify predict model=./ymsyq_best.pt source=./datasets/ymsyq_data/train/IMG_6851.JPG save=true conf=0.5

• 图像分类模型导出 onnx

yolo export model=./ymsyq_best.pt format=onnx opset=11 dynamic=True