老鹰网网站建设艺术创意设计图片大全
目录
下载 CUDA
下载 cuDNN
下载 anaconda
安装 PyTorch
pycharm 搭配 yolo 环境并运行
阅读本文须知，需要电脑中有 Nvidia 显卡
下载 CUDA
打开 cmd ，输入 nvidia-smi ，查看电脑支持 CUDA 版本：
我这里是12.0，进入 CUDA 官网：https://developer.nvidia.com/cuda-toolkit-archive
https://developer.nvidia.com/cuda-toolkit-archive
找到对应版本：
按照自己电脑配置选择，点击下载：
双击启动，选择下载位置
注意自定义安装才能选择安装位置：
一路点击下一步，继续等等，完成下载。
安装出现问题的可用看看这个
【安装完CUDA后文件夹消失解答】_cuda安装后文件夹不见了-CSDN博客
是否下载成功，输入： nvcc -V
下载 cuDNN
下载完成后，为了实现加速，还需下载对应的 cuDNN
cuDNN Archive | NVIDIA Developer
这里以我为例：
下载解压完是三个文件夹：
将这三个文件夹中的内容分别复制到之前下载的 CUDA 中对应的问价夹中。
环境配置：
点击【系统】--【高级系统设置】--【环境变量】--系统变量中的【Path】--【新建】
新建刚才添加的三个文件：
验证：
下载 anaconda
大家可用自行下载，注意下载时要勾选上添加环境变量
打开 anaconda 命令行
输入：
conda create -n YOLO-GPU python=3.8
验证环境
先后执行下面脚本：
conda activate YOLO-GPU
python
安装 PyTorch
选择与 cuda 对应的 pytorch 版本。安装的 cuda 版本需大于等于 pytorch 支持的版本。
Start Locally | PyTorch
官网上已经不推荐使用 Conda 下载了，可用选择使用 Pip 下载，Conda 下载命令这里也给出（在 anaconda prompt 中依次输入）：
conda activate YOLO-GPUconda install pytorch torchvision torchaudio pytorch-cuda=11.8 -c pytorch -c nvidia
pip 的下载命令，官方给的速度太慢，可以加上清华源下载：
pip install torch torchvision torchaudio --index-url https://pypi.tuna.tsinghua.edu.cn/simple --extra-index-url https://download.pytorch.org/whl/cu121百度网盘 请输入提取码百度网盘为您提供文件的网络备份、同步和分享服务。空间大、速度快、安全稳固，支持教育网加速，支持手机端。注册使用百度网盘即可享受免费存储空间
实在不行可以直接用上面百度网盘或者我资源里的，将那三个文件放在某个地方（放哪儿都行），使用 Anaconda Navigator，打开 YOLO-GPU 终端：
定位到存放前面三个文件的地方，然后依次输入以下三个命令，将这三个包下载到虚拟环境中：
pip install torch-1.13.1+cu116-cp38-cp38-win_amd64.whl
pip install torchaudio-0.13.1+cu116-cp38-cp38-win_amd64.whl
pip install torchvision-0.14.1+cu116-cp38-cp38-win_amd64.whl
pycharm 搭配 yolo 环境并运行
pycharm 直接切换成新建的 conda 环境即可：
训练的代码跟这两篇文章差不多：
【玩转全栈】----YOLO8训练自己的模型并应用_王者荣耀yolo模型-CSDN博客
【玩转全栈】---基于YOLO8的图片、视频目标检测-CSDN博客
需要修改一点代码：
# 开始训练模型
from ultralytics import YOLO# 加载预训练模型
model = YOLO('yolo8l.pt')
# 开始训练模型
model.train(data='data.yaml', #训练数据集epochs=500, #训练轮次imgsz=640, #输入图片尺寸（会转换为该尺寸）batch=32, #每次训练的批量device='cpu' #GPU更快
)
print("训练结束")device 参数改为
device='cuda:0'
并在后面加上一个参数：
workers=0
否则会报内寸不足的错误，修改后代码如下：
from ultralytics import YOLOdef main():# 加载预训练模型model = YOLO('yolov8l.pt')# 开始训练模型model.train(data='data.yaml', # 训练数据集epochs=300, # 训练轮次imgsz=320, # 输入图片尺寸（会转换为该尺寸）batch=4, # 每次训练的批量device='cuda:0', # 使用GPU训练，如果有多个GPU，可以指定如 'cuda:0'workers=0)print("训练结束")if __name__ == '__main__':main()运行成功结果：
可以看到使用 GPU 训练仅仅用了 0.419 小时，比之前使用 CPU 训练要快得多。
训练完模型后运用，结果如下（因为训练集很少，预测不准确，仅供参考）：
yolo8汽车检测
本文参考：
【YOLO】YOLOv8 GPU版显卡CUDA环境安装与配置 - Powered by Discuz!
【yolov8基础教程】Yolov8模型训练GPU环境配置保姆级教程（附安装包）-CSDN博客
YOLOV8从环境部署（GPU版本）到模型训练——专为小白设计一看就懂_ultralytics压缩包-CSDN博客
感谢您的三连！！！