保姆级教程:在Windows/Linux上从零搭建YOLOv5环境并训练COCO128数据集
第一次接触目标检测时,我被YOLOv5的简洁高效所吸引,但环境配置的复杂程度差点让我放弃。记得当时为了一个CUDA版本不匹配的问题折腾到凌晨三点。本文将带你避开这些坑,用最直接的方式完成从零到模型训练的全流程。
1. 环境准备:构建深度学习基础栈
1.1 Python环境配置
推荐使用Miniconda创建独立环境,避免系统Python的版本冲突。以下命令适用于Windows/Linux:
conda create -n yolov5 python=3.8
conda activate yolov5
为什么选择Python 3.8? 这是经过验证与PyTorch各版本兼容性最好的Python版本。太新的Python可能导致某些依赖包无法安装。
1.2 PyTorch安装指南
PyTorch的安装需要根据显卡型号选择对应版本:
| 显卡类型 | 安装命令(CUDA 11.3) | 验证命令 |
|---|---|---|
| NVIDIA显卡 | pip install torch==1.10.0+cu113 |
python -c "import torch; print(torch.cuda.is_available())" |
| AMD/集成显卡 | pip install torch==1.10.0+cpu |
python -c "import torch; pri |
339



被折叠的 条评论
为什么被折叠?



