石家庄建设工程信息网站网站开发的挑战

1.说明

        本地训练模型可以用CPU和GPU，但是GPU的性能比CPU要好得多，所以如果有独立显卡的，尽量还是用GPU来训练模型。
        使用GPU需要安装Cuda和Cudnn

2.安装Cuda

安装cuda之前，首先看一下显卡支持的cuda版本，在命令行输入如下命令：

nvidia-smi

显示如图：

我这里支持的版本是:12.8

进入官网：https://developer.nvidia.com/cuda-toolkit-archive

找到对应的版本：

点击对应的版本，进入网页，选择你的平台，如图：

软件一共3.2G，安装软件之前，确定软件有VC++环境，不然会失败。
我是装了Visual Studio 2019

装了vc++环境之后就可以开始安装cuda，选择自定义安装，如图：

在选择组件的时候，将CUDA中的Nsight VSE和Visual Studio Integration取消勾选，后选择下一步，即可安装成功，如图：

安装完成之后，检查是否安装成功，输入命令：

nvcc -V

3.安装cudnn

下载地址：cuDNN 9.7.1 Downloads | NVIDIA Developer

下载合适自己的版本

如图：

然后浏览器直接输入地址下载：

https://developer.download.nvidia.com/compute/cudnn/redist/cudnn/windows-x86_64/cudnn-windows-x86_64-9.7.1.26_cuda12-archive.zip

 下载完成之后，然后解压，如图：

然后将所有文件拷贝到某个目录，我这里是：D:\program\cuda，然后设置环境变量：

至此，就安装完成。

编写一个测试代码，看看是否支持CPU。
先装依赖：

pip install torch-2.6.0+cu126-cp312-cp312-win_amd64.whl
pip install torchaudio-2.6.0+cu126-cp312-cp312-win_amd64.whl
pip install torchvision-0.21.0+cu126-cp312-cp312-win_amd64.whl

import torch# 检查torch是否有CUDA支持，即是否能用GPU
print(torch.cuda.is_available())# 如果CUDA可用，它还会打印出当前默认的CUDA设备（通常是第一个GPU）
if torch.cuda.is_available():print(torch.cuda.get_device_name(0))
print(torch.version.cuda)device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
print(device)

4.创建测试项目

我们使用YOLO机器学习框架来测试，创建一个python项目，然后安装如下依赖：
GPU版本的torch

pip install torch-2.6.0+cu126-cp312-cp312-win_amd64.whl
pip install torchaudio-2.6.0+cu126-cp312-cp312-win_amd64.whl
pip install torchvision-0.21.0+cu126-cp312-cp312-win_amd64.whl

然后安装ultralytics等基础依赖

pip install ultralytics==8.3.75
pip install pandas==2.2.3
pip install matplotlib==3.10.0
pip install opencv-python==4.11.0.86

然后准备训练数据，如图：

然后编写data.yaml配置文件，如图：

然后编写代码：

from ultralytics import YOLO# coding:utf-8
# 根据实际情况更换基础模型
#yolov8n.pt 轻量化模型，适合嵌入式设备，速度快但精度略低。
#yolov8s.pt 小模型，适合实时任务。
#yolov8m.pt 中等大小模型，兼顾速度和精度。
#yolov8l.pt 大型模型，适合对精度要求高的任务。
#yolov8x.pt#基础模型
model_path = '../base_model/yolov8s.pt'
data_path = './data.yaml'if __name__ == '__main__':model = YOLO(model_path)# 训练模型results = model.train(data=data_path,epochs=500,  # 训练轮数batch=64,  # 批次大小device='0',  # 使用nvidia-smi查看gpu的序号，使用 GPU 0，如果有多个 GPU 可以使用 '0,1,2,3'workers=0,  # 数据加载工作线程数project='runs/detect',  # 保存结果的项目目录name='fatigue_detection',  # 实验名称imgsz=640  # 图像大小)model.save('best_fatigue_detection.pt')

如图：

5.测试模型

 

torch-gpu