YOLOv5模型：环境部署

一、🏴总概述教程原文链接

✨GPU/CPU环境详解及安装
✨GPU/CPU环境详解及安装
🌟Labelimg数据标注及数据转化

二、✨GPU/CPU环境详解及安装

什么是CPU？什么GPU？
- CPU主要用于串行运算；而GPU则是大规模并行运算。由于深度学习中样本量巨大，参数量也很大，所以GPU的作用就是加速网络运算
- CPU计算神经网络也是可以的，算出来的神经网络放到实际应用中效果也很好，只不过速度会很慢罢了。而目前GPU运算主要集中在矩阵乘法和卷积上，其他的逻辑运算速度并没有CPU快
我该选择使用GPU还是CPU？
- GPU和CPU的选择一方面看自己的需求，另一方面取决于自己的PC性能（如果你拥有一块RTX3060，而你刚好对深度学习感兴趣，那你有什么利用不利用起来它呢）。

怎么安装GPU环境

安装GPU环境需要我们首先安装CUDA和CUDNN
- CUDA: ComputeUnified Device Architecture)，是显卡厂商NVIDIA推出的运算平台。 CUDA是一种由NVIDIA推出的通用并行计算架构，该架构使GPU能够解决复杂的计算问题。
- CUDNN:NVIDIA cuDNN是用于深度神经网络的GPU加速库。它强调性能、易用性和低内存开销。
查看本机显卡
- 首先我们要确定本机是否有独立显卡，在计算机管理-设备管理器-显示适配器中，查看是否有独立显卡
- 如下图所示：可以看到本机有一个集成显卡和独立显卡NVIDIA GetForce GTX 1050。
查询是否支持CUDA安装
1. 进入：https://developer.nvidia.com/cuda-gpus ：从下图中，从上图中，可以看到我本机的独立显卡是支持CUDA安装的，计算力是6.1。
CUDA下载
1. 进入https://developer.nvidia.com/cuda-toolkit-archive ：在这里会有众多CUDA版本，关于如何选择，我不能给出详细说法，只能说说我的理解。（CUDA的安装主要取决于个人使用要求和硬件性能，如你是RTX3060及以上的30系显卡我推荐你安装CUDA11.x，如果你像我一样是RTX1050这样不太高端显卡，选择CUDA9.x和CUDA10.x均可以,以我的习惯就是下载CUDA10.2）
  - 从上到下*依次单击选择：Operating System、Architecture、Version、Installer Type、“Download`。等待下载，下载完成后你就会获得安装包。
CUDA安装
1. 双击打开，显示解压安装目录，不需要改变，默认即可。
2. 默认安装，保证后续过程不会出现太多其他不必要的问题！
3. 接下来，进入NVIDIA安装过程，在这安装过程中，我一开始直接选择的精简安装，如果由于VS的原因，导致无法正常安装，可以换成自定义的安装方式，并将VS勾给去掉，便可以正常安装了，至于CUDA的安装目录，大家默认安装在C盘即可。

CUDA环境变量设置

安装完成之后，便是配置环境变量。方法为：右键我的电脑–属性–高级系统设置–环境变量–系统变量–找到变量名为PATH–双击打开，添加以下环境变量。

新增变量

C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.2
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.2\lib\x64
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.2\lib
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.2\libnvvp

测试安装, 有以下输出即为安装正确！

$ nvcc -V
nvcc: NVIDIA (R) Cuda compiler driver
Copyright (c) 2005-2019 NVIDIA Corporation
Built on Wed_Oct_23_19:32:27_Pacific_Daylight_Time_2019
Cuda compilation tools, release 10.2, V10.2.89

CUDNN下载
1. 进入https://developer.nvidia.com/zh-cn/cudnn ，点击下载cuDNN会出现
2. 这里写的很明白，就是必须你注册登录账户才有资格下载，因此你注册一个账户登录进去即可！
3. 登录进去以后，点击选择相应的下载即可，但是要注意：CUDA的版本与CUDNN的版本要一致
  - 在要下载的CUDNN的点击名称最后会有CUDA 10.0或者CUDA 10.2这样的后缀，这就是代表与相应CUDA对应版本的CUDNN。
CUDNN安装
1. 下载之后，你会得到一个zip的压缩包。解压缩，将CUDNN压缩包里面的bin、include、lib三整个文件夹直接复制到CUDA的安装目录下，覆盖掉原来CUDA的这三个文件夹 即可。

GPU版本的Pytorch安装

🟢在线安装
1. 有了本地的GPU环境，我们就可以安装GPU版本的Pytorch了。进入https://pytorch.org/ ，点击INXTALL：
2. 根据自己的需求和安装的CUDA的版本对应安装Pytorch，复制输出的命令即可。如果下方Run this Command提醒CUDA-10.2 PyTorch builds are no longer available for Windows, please use CUDA-11.3 ， 可以访问：https://pytorch.org/get-started/previous-versions/ 查找之前的版本在线安装。

🟡离线安装

📌 方法一：进入官网下载地址，torch安装包列表 | torchvision安装包列表

📌 方法二：进入官网指定的CUDA版本下载地址：https://download.pytorch.org/whl/cu113/torch_stable.html （以CUDA11.3为例）

1 2	# 标部分可以根据自己的CUDA型号进行搜索，比如CUDA 10.2对应为102，CUDA11.3对应为113 https://download.pytorch.org/whl/cu**/torch_stable.html

根据自己的实验环境，包括操作系统、CUDA类型、Python版本等，选择安装的torch和torchvision的安装包

```python
pip install ./torch-.whl # 先安装
pip install ./torchvision-.whl # 后安装

注意：这里存在安装顺序，由于torch是torchvision的上级安装包，如果先安装torchvision，则会自动下载torch安装# 包。因此先安装torch，再安装torchvision


         5. 👉最后，给大家放一个Pytorch和torchvision对应的版本表：https://github.com/pytorch/pytorch/wiki/PyTorch-Versions

            至此，所有比较麻烦的环境安装问题基本解决完成了，接下来我们就可以去找数据、标数据、训数据了。

      

## 三、🌟Labelimg数据标注及数据转化

1. 初识Labelimg

   - 用于深度网络训练的数据集做标注的方法和工具有好多，像Labelme、labelImg、yolo_mark、Vatic、Sloth等等，此处暂时只介绍其中的一种标注工具：labelImg。👁️‍🗨️[中文版本的labelImg下载](https://mianbaoduo.com/o/bread/mbd-YpqZm5lx)

     ![img](https://aitechtogether.com/wp-content/uploads/2022/05/3f601c82-5884-485f-9096-5e4d761ef477.webp)

   - [Labelimg](https://github.com/tzutalin/labelImg) 是一款开源的数据标注工具，可以标注三种格式：

     1. PascalVOC标签格式，保存为xml文件
     2. YOLO标签格式，保存为txt文件
     3. CreateML标签格式，保存为json文件images

2. Labelimg标注

   1. 我们找一个新的位置，新建两个文件夹：存放图片：`images`，存放标签：`labels`，然后打开labelimg进行标注就可以了。

      ```bash
      .
      │
      ├─images
      	├─ 1.jpg
          ├─ 2.jpg
          ├─ 3.jpg
              ...
      └─labels
      	├─ 1.txt
          ├─ 2.txt	
          ├─ 3.txt
      
      # 注意如果你发现你的图片的后缀不一致，最好是修改成一样的，避免后续的麻烦！！！（可以看到我这里JPEGImages文件夹下都是.jpg结尾的）
      # bach脚本（这里的意思是将.jpg修改成.jpeg） 
      >>>		ren *.jpg *.jpeg

超级详细的标注过程看这里：YOLO数据集制作1（含LabelImg工具讲解）

YOLOv5模型： 环境部署

一、🏴总概述 教程原文链接

二、✨GPU/CPU环境详解及安装

注意：这里存在安装顺序，由于torch是torchvision的上级安装包，如果先安装torchvision，则会自动下载torch安装# 包。因此先安装torch，再安装torchvision

YOLOv5模型：环境部署

一、🏴总概述教程原文链接