本文用來記錄windows系統(tǒng)上深度學(xué)習(xí)的環(huán)境搭建，目錄如下

一、安裝顯卡驅(qū)動

首先為裝有NVIDIA gpu的電腦安裝顯卡驅(qū)動，如果安裝過了，或者想使用cpu的，可以跳過這一步。（其實這一步可以跳過，因為顯卡驅(qū)動好想和深度學(xué)習(xí)環(huán)境沒什么關(guān)系，保險起見還是安裝上吧）

1. 去官網(wǎng)下載對應(yīng)的顯卡驅(qū)動：官方驅(qū)動 | NVIDIA? ? ?

2. 完成下載，選擇文件開始安裝，直接解壓在默認地址

3. 選擇自定義安裝選項，執(zhí)行清潔安裝（按情況選擇）

4. 一直點下一步即可。

二、安裝Visual Studio

可以跳過，但是很多深度學(xué)習(xí)環(huán)境需要用到，建議安裝

1. 官網(wǎng)下載 Visual Studio Tools - 免費安裝 Windows、Mac、Linux (microsoft.com)

2. 選擇python開發(fā)和c++桌面開發(fā)，開始安裝

三、cuda+cudnn安裝

1. 打開cmd，輸入nvidia-smi查看GPU的CUDA版本，可以看到CUDA版本12.1，意味著只能安裝小于12.1的CUDA版本。

CUDA Toolkit Archive | NVIDIA Developer2. 去網(wǎng)站下載適合的CUDA版本：CUDA Toolkit Archive | NVIDIA Developer

要根據(jù)兩個條件選擇：

• 1. CUDA版本要小于上面的版本信息
• 2. 先去pytorch官網(wǎng)Start Locally | PyTorch，看一眼自己需要的pytorch版本對應(yīng)的CUDA版本

例如：pytorch1.12.0只支持CUDA10.2，11.3，11.6

3. 然后去官網(wǎng)下載：CUDA Toolkit Archive | NVIDIA Developer，以11.6版本舉例，選好系統(tǒng)參數(shù)，點擊下載，

4. 下載完成，直接默認解壓位置

5. 默認勾選即可，點下一步

?

6. 安裝cudnn

去官網(wǎng)下載CUDA Deep Neural Network (cuDNN) | NVIDIA Developer，需要注冊一個NVIDIA賬號，然后選擇CUDA對應(yīng)版本的cudnn即可。

7. 下載cudnn后直接將其解開壓縮包，然后需要將解壓后的bin,include,lib文件夾復(fù)制粘貼到cuda安裝時的默認路徑文件夾下

?8. 檢查環(huán)境變量

9. 在cmd輸入nvcc -V，顯示CUDA版本即安裝成功

安裝多個CUDA環(huán)境：

如果要安裝多個CUDA環(huán)境的話，和上述步驟基本相同，其中在安裝時只需要選中cuda即可

如果要在各個CUDA間進行轉(zhuǎn)換，只需要修改環(huán)境變量即可。

例如：把CUDA11.6改為CUDA11.8，只需要把CUDA_PATH改為v11.8，并把Path中v11.6的路徑上移到v11.8之前，然后重啟電腦即可

四、anaconda安裝

1. 去官網(wǎng)下載安裝包：Free Download | Anaconda

2. 下載完成，進行安裝，建議安裝在非系統(tǒng)盤，以后會創(chuàng)建比較多的環(huán)境的話，剩下的默認安裝即可

五、pycharm安裝

1. 官網(wǎng)下載安裝包：PyCharm: the Python IDE for Professional Developers by JetBrains，可申請教育賬號免費下載專業(yè)版，如果沒有，下載社區(qū)版即可

2. 自行安裝即可

六、pytorch安裝，及在pycharm中選擇conda環(huán)境

1.首先創(chuàng)建一個conda環(huán)境，打開Anaconda prompt，輸入：conda create --name yourname python=3.10 -y

刪除環(huán)境輸入：?conda remove -n env_name --all

2. 輸入conda activate yourname 激活環(huán)境

2. 去官網(wǎng)找自己需要的pytorch版本：Start Locally | PyTorch?。選擇電腦參數(shù)，并復(fù)制pip install命令，也可以去找之前的版本。

3. 將復(fù)制的pip install命令，粘貼在Anaconda prompt中，等待安裝即可

4.打開anaconda prompt命令行測試代碼

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

5.打開pycharm，選擇添加新的解釋器→添加本地解釋器→conda環(huán)境→/yourname/python.exe (這里不同版本的pycharm可能有點不一樣，只要能識別就行)

x

至此，環(huán)境搭建結(jié)束。。。。

安裝了yolov8的，可以試著訓(xùn)練一下yolov8文章來源地址http://www.zghlxwxcb.cn/news/detail-813031.html

from ultralytics import YOLO
 
if __name__ == '__main__':
    # Load a model
    model = YOLO(r'\ultralytics\detection\yolov8n\yolov8n.yaml')  # 不使用預(yù)訓(xùn)練權(quán)重訓(xùn)練
    # model = YOLO(r'yolov8p.yaml').load("yolov8n.pt")  # 使用預(yù)訓(xùn)練權(quán)重訓(xùn)練
    # Trainparameters ----------------------------------------------------------------------------------------------
    model.train(
        data=r'\ultralytics\detection\dataset\appledata.yaml',
        epochs= 30 , # (int) number of epochs to train for
        patience= 50 , # (int) epochs to wait for no observable improvement for early stopping of training
        batch= 8 , # (int) number of images per batch (-1 for AutoBatch)
        imgsz= 320 , # (int) size of input images as integer or w,h
        save= True , # (bool) save train checkpoints and predict results
        save_period= -1, # (int) Save checkpoint every x epochs (disabled if < 1)
        cache= False , # (bool) True/ram, disk or False. Use cache for data loading
        device= 0 , # (int | str | list, optional) device to run on, i.e. cuda device=0 or device=0,1,2,3 or device=cpu
        workers= 16 , # (int) number of worker threads for data loading (per RANK if DDP)
        project= 'result', # (str, optional) project name
        name= 'yolov8n' ,# (str, optional) experiment name, results saved to 'project/name' directory
        exist_ok= False , # (bool) whether to overwrite existing experiment
        pretrained= False , # (bool | str) whether to use a pretrained model (bool) or a model to load weights from (str)
        optimizer= 'SGD',  # (str) optimizer to use, choices=[SGD, Adam, Adamax, AdamW, NAdam, RAdam, RMSProp, auto]
        verbose= True ,# (bool) whether to print verbose output
        seed= 0 , # (int) random seed for reproducibility
        deterministic= True , # (bool) whether to enable deterministic mode
        single_cls= True , # (bool) train multi-class data as single-class
        rect= False  ,# (bool) rectangular training if mode='train' or rectangular validation if mode='val'
        cos_lr= False , # (bool) use cosine learning rate scheduler
        close_mosaic= 0,  # (int) disable mosaic augmentation for final epochs
        resume= False , # (bool) resume training from last checkpoint
        amp= False,  # (bool) Automatic Mixed Precision (AMP) training, choices=[True, False], True runs AMP check
        fraction= 1.0 , # (float) dataset fraction to train on (default is 1.0, all images in train set)
        profile= False,  # (bool) profile ONNX and TensorRT speeds during training for loggers
        # Segmentation
        overlap_mask= True , # (bool) masks should overlap during training (segment train only)
        mask_ratio= 4,  # (int) mask downsample ratio (segment train only)
        # Classification
        dropout= 0.0,  # (float) use dropout regularization (classify train only)
        # Hyperparameters ----------------------------------------------------------------------------------------------
        lr0=0.01,  # (float) initial learning rate (i.e. SGD=1E-2, Adam=1E-3)
        lrf=0.01,  # (float) final learning rate (lr0 * lrf)
        momentum=0.937,  # (float) SGD momentum/Adam beta1
        weight_decay=0.0005,  # (float) optimizer weight decay 5e-4
        warmup_epochs=3.0,  # (float) warmup epochs (fractions ok)
        warmup_momentum=0.8,  # (float) warmup initial momentum
        warmup_bias_lr=0.1,  # (float) warmup initial bias lr
        box=7.5,  # (float) box loss gain
        cls=0.5,  # (float) cls loss gain (scale with pixels)
        dfl=1.5,  # (float) dfl loss gain
        pose=12.0,  # (float) pose loss gain
        kobj=1.0,  # (float) keypoint obj loss gain
        label_smoothing=0.0,  # (float) label smoothing (fraction)
        nbs=64,  # (int) nominal batch size
        hsv_h=0.015,  # (float) image HSV-Hue augmentation (fraction)
        hsv_s=0.7,  # (float) image HSV-Saturation augmentation (fraction)
        hsv_v=0.4,  # (float) image HSV-Value augmentation (fraction)
        degrees=0.0,  # (float) image rotation (+/- deg)
        translate=0.1,  # (float) image translation (+/- fraction)
        scale=0.5,  # (float) image scale (+/- gain)
        shear=0.0,  # (float) image shear (+/- deg)
        perspective=0.0,  # (float) image perspective (+/- fraction), range 0-0.001
        flipud=0.0,  # (float) image flip up-down (probability)
        fliplr=0.5,  # (float) image flip left-right (probability)
        mosaic=1.0,  # (float) image mosaic (probability)
        mixup=0.0,  # (float) image mixup (probability)
        copy_paste=0.0,  # (float) segment copy-paste (probability)
                )
 

到了這里，關(guān)于超詳細||深度學(xué)習(xí)環(huán)境搭建記錄cuda+anaconda+pytorch+pycharm的文章就介紹完了。如果您還想了解更多內(nèi)容，請在右上角搜索TOY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！