目录及安装顺序

  • 一、显卡驱动安装与更新
  • 1.1 查看电脑显卡版本
  • 1.2 下载或更新显卡驱动
  • 1.3 获取显卡驱动版本和支持的CUDA
  • 二、Anaconda下载与安装
  • 2.1 Anaconda下载
  • 2.2 Anaconda安装
  • 2.3 Anaconda环境配置
  • 三、pytorch环境安装
  • 3.1 添加虚拟环境
  • 3.2 安装pytorch
  • 3.3 验证Pytorch
  • 四、pycharm安装与环境导入
  • 4.1 pycharm安装
  • 4.2 导入创建的环境
  • 4.3 更改Pycharm终端pip默认路径


一、显卡驱动安装与更新

1.1 查看电脑显卡版本

  步骤:电脑属性→设备管理器→显示适配器

pytorch 小样本目标检测 pycharm目标检测_目标检测

1.2 下载或更新显卡驱动

  下载链接: 地址,若是笔记本电脑,那么产品系列那个选项就要选择Notebooks;下载类型有两种一个是Studio版本,一个是Game Ready版本,前者偏办公,后者偏游戏。

pytorch 小样本目标检测 pycharm目标检测_pytorch_02

1.3 获取显卡驱动版本和支持的CUDA

  安装或更新显卡驱动后,键盘按下win+R组合键,打开cmd命令窗口。输入如下的命令,可以得到显卡驱动版本以及其最高支持的CUDA版本,如下图显卡最高支持的CUDA版本为11.7。

nvidia-smi

pytorch 小样本目标检测 pycharm目标检测_深度学习_03


备注:关于是否需要单独安装CUDA和cudnn?

  • 如果只需要训练、简单推理,则无需单独安装(因为pytorch时也会顺带安装),因此直接安装pytorch即可;如果有部署需求,例如导出为TensorRT模型,则需要单独安装。
  • cuda安装地址:链接;cudnn安装地址:链接

二、Anaconda下载与安装

2.1 Anaconda下载

  下载方式一(官网下载):

  • 官网首页:链接
  • 官网下载直达页:链接
  • pytorch 小样本目标检测 pycharm目标检测_pytorch 小样本目标检测_04

  • 下载方式二(清华镜像):
  • 下载地址:链接 打开链接后下载最新版本即可,一般来说这个方式下载速度会更快一些。
  • pytorch 小样本目标检测 pycharm目标检测_目标检测_05


2.2 Anaconda安装

  下载完成后,像常规软件一样安装即可,只需注意以下两点。

  1. 这里一般是不推荐勾选,否则后期使用时可能报错,但若不勾选的话后面需要手动进行环境配置。

pytorch 小样本目标检测 pycharm目标检测_pytorch_06


  2. 这里两项都不用勾选,否则会弹出网页,也没啥用。

pytorch 小样本目标检测 pycharm目标检测_pytorch_07

2.3 Anaconda环境配置

  若安装时未勾选上述“自动环境配置”选项,则需要进行手动环境配置,配置流程为:电脑属性→高级系统设置→环境变量→双击系统变量中的Path→新建→添加安装目录和相应的bin目录,如下图所示:

pytorch 小样本目标检测 pycharm目标检测_pycharm_08


  随后可按下键盘win键在电脑开始界面中的“最近添加”栏中打开Anaconda prompt,输入conda命令(如conda --version),能正常运行说明Anaconda安装成功

pytorch 小样本目标检测 pycharm目标检测_pycharm_09


  Anaconda安装完成后,推荐对conda进行更新升级,理论上会更好,也避免了后续命令提示符反复提示更新;相关命令如下。

conda update conda  //更新conda
conda update anaconda  //更新anaconda
conda update --all  //更新所有库     
conda update python  //更新python,假设当前环境是3.6,则更新3.6.x系列版本

三、pytorch环境安装

3.1 添加虚拟环境

  单击打开Anaconda prompt,通过输入命令conda env list可查看已经的环境,如下图所示

pytorch 小样本目标检测 pycharm目标检测_pycharm_10


  可以看出,新安装的Anaconda只有一个默认的base虚拟环境,但一般来说都是单独新建额外的虚拟环境,用来安装深度学习所需要的学习框架和python包等,这样也更方便后续管理,创建新虚拟环境的命令为:conda create -n env_name(环境名称) pythnotallow=x.x(python版本)。下图所示创建了一个名称为pytorchyolov5的虚拟环境,python版本为3.8。当提示是否继续安装时,输入y即可。

pytorch 小样本目标检测 pycharm目标检测_pytorch 小样本目标检测_11


  安装完成后,再执行命令conda env list,可以看到多出了一个刚创建的虚拟环境。但要使用这个虚拟环境还需要进行激活,执行命令conda activate env_name(新创建的环境名称),即可激活,如下图所示。

pytorch 小样本目标检测 pycharm目标检测_pytorch_12


  此时就可以安装pytorch环境了,但是由于pytorch的官网在国外,直接下载速度有时候比较慢,此时可以考虑更换下载源以提高下载速度,比如可通过以下命令使用清华源(如果后续下载依赖包时出现HTTP出错问题,可把清华源清除后把https改为http重新添加运行即可)。

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/
conda config --set show_channel_urls yes

  依次输入,结果如下:

pytorch 小样本目标检测 pycharm目标检测_pytorch_13

3.2 安装pytorch

  打开 pytorch官网,根据自身电脑最高支持的CUDA版本进行选择,若无英伟达显卡,则选择CPU。随后将最后一行复制到虚拟环境中运行即可安装。需要注意的是,如果采用清华源下载,则不需要复制-c pytorch及其后面的部分,否则还是使用的国外源进行下载,速度可能会比较慢(一般来说是这样的)。除此之外,若自己的显卡比较老了(比如GTX16系列),这里还是建议选择下方的“Previous versions of PyTorch”安装老版本的Pytorch和CUDA,否则容易出现后续模型训练出错,比如训练时box,obj,cls值为nan,p,r值为0的情况,从而导致训练失败。

  其中,16XX系列显卡,建议安装cuda 10.2 版本,否则可能训练出现问题;30XX,40XX系列显卡,需安装cuda 11.1以上版本,否则可能无法运行。

pytorch 小样本目标检测 pycharm目标检测_目标检测_14

3.3 验证Pytorch

  最后,可以输入一些命令以验证安装是否成功,如下所示:

//首先重新打开Anaconda Prompt后激活相应环境
conda activate env_name(创建的环境名称) 
//输入可查看python安装信息
python 
//输入若不报错说明pytorch包安装成功 
import torch
//输入后显示True说明cuda安装成功,否则pytorch只能在CPU上运行  
torch.cuda.is_available()

四、pycharm安装与环境导入

4.1 pycharm安装

  打开 pycharm官网,分为专业版和社区版,一般来说社区版已经够用。

pytorch 小样本目标检测 pycharm目标检测_pycharm_15


  像常规软件根据提示安装即可,其中注意对安装路径的更改,另外这里最好全部选中。

pytorch 小样本目标检测 pycharm目标检测_pytorch_16

4.2 导入创建的环境

  打开pycharm,直接打开一个工程或者创建一个新的工程,为方便使用,这里首先使用了汉化插件(也可不用),操作流程为:单击pycharm右上File→选择settings→点击plugins→在搜索框中输入Chinese,安装简体中文插件重启后即可生效。

pytorch 小样本目标检测 pycharm目标检测_深度学习_17


  然后就可以添加Anaconda中创建的深度学习环境了(其实就是添加解释器,若只是进行传统python编程,添加默认环境解释器也可以),添加解释器有两种方法,分别如下。

   方法一: 直接在pycharm界面右下角添加解释器,更快捷

pytorch 小样本目标检测 pycharm目标检测_深度学习_18


   方法二: 在pycharm界面左上角单击文件→设置→python解释器→添加解释器

pytorch 小样本目标检测 pycharm目标检测_pytorch 小样本目标检测_19


  此时可以发现,添加解释器有多个环境可以选择,环境又可分为现有环境和新建环境。其中“Virtualenv环境”中选择现有环境是指直接使用先前创建的某一环境及其解释器,若后续又安装了其它依赖包,该环境也会跟着发生变换;选择新建环境相当于新创建了一个位置来存储解释器及依赖包(默认是在当前项目目录下创建),此时若后续又安装了其它依赖包,则不会影响原来的环境,起到环境隔离的作用;若选择勾选“继承全局站点软件包”,则会继承“基本解释器”下所有的库,若未勾选,则解释器将只有基本的依赖包。若本来就是使用Anaconda创建了新环境,这里则直接选择“Conda环境”就可以了;但若事先确定所打开的工程需要安装其它依赖包,并且是该工程独享的,其它工程大概率用不到,另外也不想在原环境中下载其它依赖包占内存,则可以考虑使用“Virtualenv环境”。

pytorch 小样本目标检测 pycharm目标检测_pytorch 小样本目标检测_20


  选择Conda环境,并添加Anaconda中创建的虚拟环境的python.exe路径,若勾选“可用于所有项目”,则再次创建新项目时该python解释器会显示在“先前配置的解释器”列表中,打开其它项目也能直接选择这个解释器。

pytorch 小样本目标检测 pycharm目标检测_pytorch_21


  再补充一下:对于“Virtualenv环境”和“Conda环境”的区别,可概括为:“Virtualenv环境”相当于一个传统全能一点的环境管理器,它可以添加传统方式安装的现有python解释器,也可以添加Anaconda中Conda方式创建的现有python解释器(与选择在“Conda环境”中添加python解释器等效),它还可以在指定位置新建一个环境(类似在Anaconda中创建一个新环境,此时新环境安装新依赖包则不影响原来环境,应该相当于一个子环境);而选择“Conda环境”则是使用Anaconda中Conda方式创建的虚拟环境的python解释器,python包以及其它依赖包都是确定的,此时不管是在Anaconda中还是Pycharm中更改环境中的依赖包,环境都会同步变化(当然选择Conda环境还可以直接创建新环境,不过这样创建的新环境基本只有基础的python包,没有必要)。因此可以说,若想用Anaconda来管理环境就用“Conda环境”,想创建一个新环境下载依赖包不影响原环境就用“Virtualenv环境”。也可以参考文章: 链接   最后,在工程python控制台输入以下命令,即可验证pytorch环境,cuda,cudnn是否成功安装。若控制台返回为两个True,说明安装成功。

import torch
print(torch.cuda.is_available())
print(torch.backends.cudnn.is_available())
print(torch.cuda_version)
print(torch.backends.cudnn.version())

4.3 更改Pycharm终端pip默认路径

  Pycharm安装完成后,运行一个项目时往往还需要安装其它的依赖包(比如yololv5模型还需要pip install -r requirements.txt),但是在使用Pycharm的终端使用pip安装第三方包的时候,往往会把包安装在Conda的默认目录下,而不是在指定的python解释器所在的虚拟环境下,另外终端也无法使用Conda环境,这可能是Windows10系统权限的问题,不允许运行脚本导致的。要解决这个问题,达到用的哪个python编译器所在环境,就把pip安装的第三方包放在对应环境,以及实现在Pycharm终端中激活Conda环境,可采用以下三个方法。

   方法一: 更换终端shell路径

  将 pycharm 的 Terminal 终端从 powershell 更换成 cmd.exe。(windows 环境),如下图所示(推荐方法)。此时Pycharm终端的默认环境就是使用的python解释器所在的虚拟环境,可直接在此安装第三方库。

pytorch 小样本目标检测 pycharm目标检测_pytorch 小样本目标检测_22


  当然还可以把shell路径改为Anaconda Prompt的路径,即替换为下图所示的cmd.exe及其后面的内容。此时Pycharm终端的默认环境就是Conda的base环境,如果使用的是Conda创建的虚拟环境中的python解释器,那么此时还需要激活该虚拟环境,再进行安装第三方包。

pytorch 小样本目标检测 pycharm目标检测_pytorch 小样本目标检测_23


   方法二: 修改环境配置(未验证是否可行)

   方法三: 修改系统权限(未验证是否可行), 至此,目标检测·深度学习环境配置完成,Good Luck!