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
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。
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
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）：
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。
2. 这里两项都不用勾选，否则会弹出网页，也没啥用。
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：
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
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
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。
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。
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：
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。
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。
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。
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。
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
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
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”。
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。
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。
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。
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！
