Ubuntu yolov5 环境配置

文章讲述了在Ubuntu环境下进行磁盘扩容的操作,以及如何配置yolov5深度学习框架,包括下载anaconda、安装Python环境、创建和管理conda环境,以及安装PyTorch和torchvision。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

查看Ubuntu版本

$ cat /proc/version
Linux version 5.4.0-150-generic (buildd@bos03-amd64-012) (gcc version 7.5.0 (Ubuntu 7.5.0-3ubuntu1~18.04)) #167~18.04.1-Ubuntu SMP Wed May 24 00:51:42 UTC 2023

虚拟机磁盘扩容

因为在环境搭建过程中遇到了磁盘空间不足的问题,所以先对磁盘进行了扩容。

参考链接

https://blog.youkuaiyun.com/Chen_qi_hai/article/details/108814596
https://blog.youkuaiyun.com/weixin_43749427/article/details/116143957

yolov5环境配置

参考链接

https://blog.youkuaiyun.com/simle16/article/details/115138725

环境搭建

#下载anaconda安装脚本

  • 注:这里选择直接去官网下载。
//地址
https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/

#安装anaconda

bash Anaconda3-2020.07-Linux-x86_64.sh
#Please, press ENTER to continue -> 回车继续
#阅读协议,同意按回车(跳过ctrl+c)
#Do you accept the license terms? [yes|no] -> 同意协议输入yes回车
#Anaconda3 will now be installed into this location -> 选择安装路径(本文安装/usr/local/anaconda3),等待安装
注:Anaconda3 will now be installed into this location:
/home/lx/anaconda3
#by running conda init? [yes|no] -> 是否添加系统环境,输入yes回车
#等待安装结束

#刷新当前用户环境(激活环境)

source ~/.bashrc

#更新Anaconda相关配置

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 --set show_channel_urls yes

创建环境

#使用conda创建单独的环境,在系统命令行中运行如下命令:
conda create -n yolov5_1 python==3.8
输出:

# To activate this environment, use
#
#     $ conda activate yolov5_1
#
# To deactivate an active environment, use
#
#     $ conda deactivate

#进入该环境继续安装依赖库:

conda activate yolov5_1

#删除环境

conda remove -n 【yolov5】 --all

#退出当前环境

conda deactivate yolov5_1
#注:这里使用conda deactivate 

#安装pytorch环境,可能需要等待
#pytorch的gpu版本,官方网站地址: https://pytorch.org/get-started/locally/,找到自己匹配的相关命令

pip install torch==1.8.0+cu111 torchvision==0.9.0+cu111 torchaudio==0.8.0 -f https://download.pytorch.org/whl/torch_stable.html

#查看安装的结果

pip install ipython

#环境验证

#(yolov5_1) :~$ ipython
#Python 3.8.0 (default, Nov  6 2019, 21:49:08) 
#Type 'copyright', 'credits' or 'license' for more information
#IPython 7.21.0 -- An enhanced Interactive Python. Type '?' for help.

#In [1]: import torch

#In [2]: torch.cuda.is_available()
#Out[2]: True

#出现以上内容表明环境已经安装好啦。
注:我这里报错
在这里插入图片描述
TODO
。。。。。。。。。。。。。。。。。。

1.下载
YOLOv5源码下载地址:https://codechina.youkuaiyun.com/mirrors/ultralytics/yolov5

2.运行requirements
安装运行环境以及所需依赖,运行以下命令即可:
pip install -U -r requirements.txt
#等待依赖下载完成,可能比较耗时

3.测试
权重文件下载地址:https://github.com/ultralytics/yolov5/releases/
python detect.py --source data/images/ --weights yolov5s.pt --conf 0.4
#查看结果,运行结束后会提示结果的保存路径
#yolov5支持直接输出txt文件,文件内容与标注的文件一致
报错如下:
modules/module.py", line 947, in getattr
raise AttributeError(“‘{}’ object has no attribute ‘{}’”.format(
AttributeError: ‘Detect’ object has no attribute ‘m’
解决方法:在官网下载最新的weight文件------yolov5s.pt即可。

yolov5最新版本预训练模型下载
https://blog.youkuaiyun.com/JOBbaba/article/details/113630832

### 如何在 Ubuntu 上安装和运行 YOLOv5 #### 准备工作 为了成功安装并运行 YOLOv5,需要先完成以下准备工作: - **虚拟机设置**:如果是在 Windows 或 macOS 平台上操作,则需通过 VMware Workstation 或 VirtualBox 创建一个虚拟机,并加载 Ubuntu 的 ISO 镜像文件来启动操作系统[^1]。 - **Ubuntu 版本选择**:建议使用稳定版本的 Ubuntu 20.04 LTS (Long Term Support),因为该版本兼容性强且社区支持广泛。 --- #### 安装步骤 ##### 1. 更新系统包管理器 进入终端后,更新系统的软件源列表以及升级已有的程序包: ```bash sudo apt update && sudo apt upgrade -y ``` ##### 2. 安装基础依赖项 确保 Python 和其他必要的工具已经安装完毕。可以执行如下命令以安装这些组件: ```bash sudo apt install git python3-pip wget unzip -y ``` 上述命令包含了 Git(用于克隆仓库)、Python Pip 工具链、Wget(网络资源获取)以及 Unzip 实用程序[^2]。 ##### 3. 安装 Anaconda Anaconda 是一种流行的科学计算平台,它简化了 Python 环境管理和库部署过程。下载对应架构的脚本并通过 Shell 执行安装向导即可完成初始化设定: ```bash wget https://repo.anaconda.com/archive/Anaconda3-2023.09-0-Linux-x86_64.sh bash Anaconda3-2023.09-0-Linux-x86_64.sh ``` 按照提示逐步确认路径选项直至结束[^3]。 ##### 4. 设置 Conda 环境 创建一个新的 conda 虚拟环境专门供 YOLOv5 使用,并激活此新环境: ```bash conda create -n yolov5_env python=3.8 -y conda activate yolov5_env ``` ##### 5. 克隆 YOLOv5 GitHub 项目 切换至目标目录并将官方存储库复制下来作为本地开发副本: ```bash git clone https://github.com/ultralytics/yolov5.git cd yolov5 ``` ##### 6. 安装 PyTorch 及其扩展模块 依据硬件条件选取合适的 CUDA/GPU 支持方式之一来进行框架搭建;这里提供两种常见途径: ###### 方法一:自动检测最佳配置 利用 pip 自动解析当前设备状况从而决定采用何种加速机制: ```bash pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu117 ``` ###### 方法二:手动指定 CPU-only 模型 对于缺乏 NVIDIA 显卡或者驱动未适配的情况,默认回退到纯 CPU 运算模式: ```bash pip install torch==1.13.1+cpu torchvision==0.14.1+cpu torchaudio===0.13.1 --extra-index-url https://download.pytorch.org/whl/cpu ``` 随后还需补充额外需求清单中的各项条目: ```bash pip install -r requirements.txt ``` ##### 7. 测试模型功能 验证整个流程无误之后便能够尝试调用预训练权重实现简单的物体探测任务示例代码片段如下所示: ```python from utils.general import check_requirements, non_max_suppression, scale_coords from models.experimental import attempt_load import cv2 import numpy as np import torch weights = 'yolov5s.pt' # 权重文件名 img_size = 640 # 输入图片尺寸 conf_thres = 0.4 # 置信度阈值 iou_thres = 0.5 # IOU 值门限 device = torch.device('cuda') if torch.cuda.is_available() else torch.device('cpu') model = attempt_load(weights, map_location=device) def detect(image_path): img = cv2.imread(image_path) img_resized = letterbox(img, new_shape=img_size)[0] img_array = img_resized[:, :, ::-1].transpose(2, 0, 1).astype(np.float32) / 255. input_tensor = torch.from_numpy(img_array[np.newaxis]).to(device) pred = model(input_tensor)[0] det = non_max_suppression(pred, conf_thres, iou_thres)[-1] if len(det): det[:, :4] = scale_coords(img_resized.shape[:2], det[:, :4], img.shape[:2]) for *xyxy, conf, cls in reversed(det): label = f'{names[int(cls)]} {conf:.2f}' plot_one_box(xyxy, img, label=label, color=(0, 255, 0), line_thickness=2) return img result_image = detect('./data/images/zidane.jpg') cv2.imshow("Detection Result", result_image) cv2.waitKey(0) ``` --- ### 注意事项 - 如果计划将 ONNX 文件转交给 OpenCV 处理,请参照特定调整后的参数集合以便顺利衔接两者之间的接口定义[^4]。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值