wsl部署Ubuntu20.04配置YOLOV5算法相关环境

已于 2024-03-12 22:14:45 修改
阅读量1.3k 收藏 23
点赞数 18
文章标签： YOLO linux 运维 ubuntu windows vscode
于 2024-03-12 22:03:07 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/ss1293822982/article/details/136649226
版权

wsl2 部署可以参考我的上一篇文章http://t.csdnimg.cn/zkRiS

首先下载对应的Anaconda版本，通过输入查询

uname -a

在上官网下载对应的文件

Index of / (anaconda.com)

随后输入以下代码进行安装

bash Anaconda3-2022.05-Linux-x86_64.sh

一直点击enter直到出现选择yes

最终会出现以下画面表示成功安装

首先激活一下环境

source ~/.bashrc

接下来创建虚拟环境：

conda create -n yolo python=3.8

可能会出现下面的问题

  • 在终端输入conda info --envs检验anaconda是否安装成功，发现报错：conda: command not found 原因是因为~/.bashrc文件没有配置好
  • 简单来说，就是找不到ananconda的位置，需要添加一下
最低0.47元/天 解锁文章
在WSL-Ubuntu 20.04上实现YOLOv8的TensorRT推理加速
ice
07-15 1768
在阅读本章内容之前，需要把部署环境以及训练环境都安装好。
ubuntu20.04安装yolov5及环境配置(踩坑记录)
xzm12q的博客
04-21 2312
我安装的是1.10.1版本，版本主要分为CUDA版本和CPU版本，如果你有NVIDIA的显卡，则使用CUDA版本，否则使用CPU版本，使用GPU版本需要对应自己的CUDA版本，下面使用pip命令进行安装。下载解压之后，将cuda/include/cudnn.h文件复制到usr/local/cuda-10.2/include文件夹，将cuda/lib64/下所有文件复制到/usr/local/cuda-10.2/lib64文件夹中，豆瓣：http://pypi.doubanio.com/simple/
RTX3070环境配置记录 yolov5 wsl2
weixin_42427947的博客
11-04 935
环境配置 WSL2（参考NVIDIA的doc） YOLO环境 WSL2 加入Windows insider program。设置→更新→预览体验计划→Dev channel 加入后将系统更新到最新的win11。设置→更新→安装 下载专用driver。安装它。 根据instructions，使用手动方式下载WSL2（自动方式failed）。管理员身份打开powershell，两个设置。重启。下载内核update。设置为default。在应用商店下载Ubuntu。 从开始界面进入Ubuntu，设置用户名和
【YOLO V5】目标检测 WSL2 AutoDL VScode SSH
AbaAbaxxx_的博客
03-05 1217
对于初学者来说，学习YOLO和实现目标检测时，其实不需要了解底层原理，比如CNN神经网络。虽然这些知识有助于深入理解，但如果只是想快速上手YOLO，不必从这些复杂的原理开始。本篇内容正是基于这个思路，重点讲解如何快速上手YOLO，如何在服务器上训练自己的模型，并实现目标检测。本文以 YOLOv5 在 COCO 数据集上的训练为例，阐述 YOLOv5 目标检测任务的完整实现流程。WSL2 Ubuntu 20.04 YOLOv5 PyTorch 1.7.0 VSCode SSH连接autoDL服务器。
Ubuntu20.04部署YOLOv5
热门推荐
周同学的博客
04-21 1万+
Ubuntu20.04部署YOLOv5
Ubuntu20.04配置YOLOV5算法相关环境，并运行融合YOLOV5的ORB-SLAM2开源代码（亲测有效）
weixin_70026476的博客
12-12 1万+
安装的软件主要是anaconda，然后anaconda可以帮我们安装python、pytorch这些东西。我的ubuntu版本：ubuntu20.04.5LTS。安装的python类型：python3.8.15,(原来系统自带的python是3.9.12)
Ubuntu20.04配置深度学习环境yolov5最简流程
m0_60657960的博客
03-05 1万+
提示Command 'nvidia-smi' not found, but can be installed with:说明你还没有安装显卡驱动。打开终端输入nvidia-smi，查看可以安装cuda的版本（低于这个等于这个版本都可以安装，高于11.3版本，建议安装11.3的）安装显卡驱动最简单方式：打开软件和更新ununtu软件-下载自-安装源改成国内。然后左面有一个附加驱动里面有许多专有的驱动程序，点击一个，接着点击应用更改。三、安装配置cuda、cudnn。解决方法：打开软件更新器更新一下。
WSL2 配置yolov5_caffe
LAmyCat的博客
01-05 566
解决：根据安装的CUDA版本将 yolov5_caffe 中 Makefile.config 文件以下内容根据提示作出修改。一直Enter和yes，碰到安装Microsoft的VS code时选择No，结束安装。修改 yolov5_caffe/tools/caffe_yolov5s.cpp 参数。执行以下命令，除了是否安装驱动选择no外，其余均选择yes，默认安装路径。2、进入yolov5_caffe目录，配置环境变量。1、拉取yolov5_caffe源码。5、测试yolov5推理。
WSL 2 Ubuntu 20.04 配置 CUDA
m
10-16 4949
需要注意的是，新版本的 Windows NVIDIA 显卡驱动已经内置了对 WSL 2 的支持，这也就意味着只需 Windows 中有 NVIDIA 显卡驱动即可，而不需要 WSL 2 中另外再安装。输出的 CUDA 版本并不等同，前者是 CUDA 运行 API 的版本，是实际安装的 CUDA 版本，而后者是 NVIDIA 显卡驱动能支持的最高 CUDA 运行 API 版本。可以看到，驱动版本为 522.25，所能支持的最新的 CUDA 的版本为 11.8。cuDNN 是进行 GPU 加速的深度神经网络库。
Windows配置Linux环境（Win 10 + WSL2 + Ubuntu 20.04 + GNOME桌面版）
EvoGenius的博客
03-30 7400
虚拟环境为 Windows 用户提供了一个轻松接触和熟悉 Linux 的机会。无需在硬件上做任何更改，即可体验 Linux 的命令行界面、文件系统等特性。这对于想要学习 Linux、尝试 Linux 应用程序或者将来转向 Linux 开发的人来说是一个极好的入门方式。兼容性和便利性通过虚拟运行环境，您可以在Windows系统上轻松运行Linux软件和工具，而无需分区或双重引导系统。这使得在不同操作系统之间切换变得更加方便。隔离环境。
详解Ubuntu20.04用Xshell通过SSH连接报错的服务问题
01-09
相关文章中还提到了其他与SSH相关的主题，例如在Ubuntu下安装和管理SSH服务、设置免密码登录、查看SSH服务状态以及通过SSH进行远程登录的配置等。这些内容对于日常的系统管理和运维工作非常重要，确保你熟悉这些操作...
HustOJ平台搭建（ubuntu20.04）
qq_42122110的博客
12-21 2723
hustoj是一个出色的开源项目，本文章记录了我在ubuntu20.04搭建的全过程，以及小部分进行修改。不会部署的同学可以参照我这篇文章，可以完美运行。当然如果您需要部署在您的linux环境下，同时不介意小额支付，请联系我（1661420103@qq.com）。 以下是部署后的界面，仅供参考。 首页 题目界面 后台界面 1. 什么是OJ（您是否真的需要OJ平台） OJ是Online Judge系统的简称，用来在线检测程序源代码的正确性。著名的OJ有TYVJ、RQNOJ、URAL
[WSL环境]ubuntu20.04搭建yolov5目标检测开发环境
LoongEmbedded的专栏
11-17 1941
ubuntu20.04 搭建yolov5 目标检测开发环境
wsl2 Ubuntu子系统 yolov8测试
weixin_46119406的博客
08-15 634
OLOv8是Ultralytics公司推出的基于对象检测模型的YOLO最新系列，它能够提供截至目前最先进的对象检测性能。借助于以前的YOLO模型版本支持技术，YOLOv8模型运行得更快、更准确，同时为执行任务的训练模型提供了统一的框架，这包括：目标检测实例分割图像分类。
WSL2搭建YOLO环境CUDA加速
kuzma_zhang的博客
06-28 1094
到这里CUDA、cudnn就配置完成了，接下来安装anaconda准备搭建虚拟环境。最后安装对应的Cudnn，CUDA与cudnn对应关系根据要安装的框架自行查看,安装必要的环境:,最好是去pytorch官网安装torch-gpu版本。到此为止 ， 关于WSL2-ubantu的yolov5环境就搭建完成了。将下面的内容复制进去，然后按ESC,再按 ：wq保存退出即可。conda创建虚拟环境的一系列操作这里就不叙述了，自行查阅。检查torch-gpu是否安装成功。接下来跟换清华源，运行下面代码。
Win10 安装 WSL 并进行 YoloV7 验证
weixin_42176639的博客
10-08 800
Win10 安装 WSL 并进行 YoloV7 验证
ubuntu20.04配置YOLOV5（非虚拟机）
2302_80099075的博客
09-11 3524
有的教程会要安装TensorRT或TensorFlow，这个并不是基础依赖项，只有在需要特定导出时才需要安装。我这里主要是用来和SLAM结合，所以不涉及。本教程基于纯净的ubuntu20.04进行安装。
Ubuntu 20.04 安装部署 Yolo5 开发环境
wxl5018的专栏
07-28 1912
基于Ubuntu20.04 安装 Yolo5 环境。先安装显卡驱动。从 NVDIA官网上下载最新的驱动，安装后进行下一步。下载进行安装。安装之后，使用 conda -V和 python -V查看版本信息。接下来，创建虚拟环境：进入 Yolo5 虚拟环境，在虚拟环境中安装Pytorch GPU 版。在 Conda 虚拟环境中执行 Pytorch GPU 版安装 命令，如下所示：等待安装完成。执行脚本测试 PYTORCH 和 CUDA 的功能是否正常。
wsl docker在服务器部署深度学习模型
最新发布
03-14
### 使用WSL和Docker在远程服务器中部署深度学习模型的最佳实践 #### 1. 远程服务器上的WSL配置 在远程服务器上启用WSL（Windows Subsystem for Linux），需要确保服务器的操作系统支持WSL功能。通常情况下，这适用于运行Windows Server版本的企业级服务器。可以通过PowerShell命令`wsl --install`来快速安装最新的Linux发行版[^2]。 对于深度学习应用而言，建议选择Ubuntu作为主要的Linux子系统，因为它拥有广泛的社区支持以及兼容性强的特点。完成基本设置之后，还需要更新系统的软件包列表并升级现有程序至最新稳定版本： ```bash sudo apt update && sudo apt upgrade -y ``` #### 2. 安装Docker服务 一旦设置了合适的Linux环境，则可继续进行Docker容器引擎的安装过程。由于官方文档提供了详尽指导，这里只概述关键步骤: - 添加Docker APT仓库密钥； - 配置APT源指向官方存储库地址； - 执行实际安装操作 `apt install docker-ce docker-ce-cli containerd.io`. 验证成功启动状态可通过如下指令实现： ```bash docker version ``` 如果一切正常的话，应该能看到客户端和服务端的相关信息显示出来[^1]。 #### 3. 创建适合于深度学习工作的镜像 考虑到GPU加速的需求，推荐采用NVIDIA专门维护的一系列预构建好的CUDA-enabled基础镜像。这些资源已经包含了必要的驱动程序和支持库文件夹结构等要素，极大简化了后续工作流程中的复杂度。 创建自定义Dockerfile时需要注意几点事项: - 基础层选取nvidia/cuda:xx-base-rockylinux 或者其他相似命名模式; - 明确指定Python解释器及其依赖项清单(比如pip freeze); - 将项目代码复制到目标路径下并通过ENTRYPOINT或者CMD声明入口函数位置. 例如下面给出了一段简单的例子用来说明如何编写这样的脚本文件: ```Dockerfile FROM nvidia/cuda:11.7-base-ubuntu20.04 RUN apt-get update && \ DEBIAN_FRONTEND=noninteractive apt-get install -y python3-pip git && \ rm -rf /var/lib/apt/lists/* WORKDIR /app COPY requirements.txt . RUN pip3 install --no-cache-dir -r requirements.txt COPY . . CMD ["python3", "main.py"] ``` #### 4. 构建与推送镜像到注册表 当准备好上述材料后就可以利用docker build命令生成最终产物并将它上传至公共/私有云平台供以后调用加载之用了。假设当前目录即为包含所有必要组件的地方那么执行以下两步即可达成目的: ```bash docker build -t my-deep-learning-model:v1 . docker push my-deep-learning-model:v1 ``` #### 5. 测试部署效果 最后一步就是确认整个链条是否能够顺利运作起来啦! 可以尝试拉取刚才制作完毕的那个映射实例下来跑一下看看有没有什么异常情况发生. ```bash docker pull my-deep-learning-model:v1 docker run --gpus all -it my-deep-learning-model:v1 ``` 以上便是关于借助WSL加Docker技术组合实现在远端机器上面布置AI算法模型的一些核心要点分享给大家参考借鉴. ---
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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

打赏作者

ROS研究员

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
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