基于深度学习的目标检测：Ubuntu系统+YOLOv7环境搭建+训练自己的数据集+推理（detect) ——（1）准备+测试篇

想要体验前沿目标检测模型 YOLOv7 的强大能力，并将其应用于解决实际问题？那么，环境搭建、数据集准备、模型训练与推理这几个关键环节，便是你必须迈过的门槛。对于初学者，乃至是有一定开发经验的读者而言，从配置复杂的依赖环境，到处理特定格式的数据集，再到调试训练参数、部署模型进行预测，每一步都可能面临诸多挑战。

别担心，这篇博客正是为了解决这些痛点而来。我们将手把手带你完成 YOLOv7 的环境搭建（包括 CUDA、PyTorch 等关键组件），详解如何整理、标注并转换自定义数据集以适应 YOLOv7 的训练需求，展示如何使用训练好的模型对图像或视频进行高效的目标检测推理。

跟随本教程，你将能够完整了解 YOLOv7 项目的实战流程，从入门到部署，一步步搭建起自己的目标检测系统。

1 软件准备工作

必备：Anaconda

我自己使用的使用的是Ubuntu系统，我主要使用的是Anaconda。但是你如果想更方便的编辑一些代码或者测试一些代码，这里还推荐你安装：Pycharm，如果你不太确定需不需要可以稍后等YOLOv7安装好之后再根据需求来定，但是在这一步必须要把Anaconda安装好。

关于Anaconda的安装由两种方法：

一、直接进入Anaconda的官网进行下载

在正式介绍安装之前，简单说明几句，这里安装anaconda之前是没有安装python的，因为anaconda自带python。

关于直接从官方网站下载并不太推荐，因为Anaconda官网是国外网站，下载很慢，但是有条件的朋友们可以尝试，也可以在一定程度上提高一下我们的英语水平~。~。

官网地址：https://www.anaconda.com/download

二、通过国内的清华源镜像下载

清华源网站：https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/

进入页面之后，会看到各版本的安装包以及它们的大小和更新日期，我们根据自己的电脑系统来选择合适自己的安装包。win系统就选-win的，苹果用户就选-mac，而我是ubuntu我就选-linux。

2 环境搭建

2.1创建虚拟环境

windows系统在下载完anconda之后，打开开始菜单，我们会看到anconda prompt。而在Ubuntu中我直接打开终端就可以。

自此开始我都以Ubuntu系统来开始叙述。

首先，使用以下命令来查询你自己的python版本

python --version

然后你会获得如下回复

说明版本为3.12

然后使用以下命令来新建虚拟环境

conda create -n 虚拟环境名字 python=你的python版本（如3.12）

因为我们是搭建YOLOv7的环境，但是我之前已经搭建过名为YOLOv7的环境了，所以我这里使用YOLOv7-test来作为名字，这个名字可以随意你只要能记住就可以。那么我的创建虚拟环境的命令如下：

​conda create -n yolov7-test python=3.12

正常情况会显示如下：

输入y继续创建，在这之后会出现加载过程（进度条儿），加载过程完毕之后，我们输入以下命令来打开我们的虚拟环境。你自己创建的什么名字就用什么名字。

conda activate yolov7-test

出现如下情况说明虚拟环境，成功激活。前边的base变成yolov7-test，那么我们就从base环境进入到了我们所创建的虚拟环境。

2.2 安装CUDA

接下来是连个核心组成的安装，分别是CUDA和pytorch。

我们需要先安装CUDA。

在安装CUDA之前我们要先检查一下我们的电脑支持的最高版本的CUDA是多少，使用以下命令来查看。

nvidia-smi

然后我们会看到以下的情况，在右上角我们就能看到我们的CUDA的版本了。

然后进入CUDA官网：CUDA Toolkit Archive | NVIDIA Developer，选择适合自己的版本点击。

然后我们就会看到如下的界面，无论是win系统还是ubuntu系统直接按照自己电脑的实际情况根据提示进行下载就可以。

下载成功之后，在终端输入nvcc --version查看，会看到类似第二幅图的情况，这样就说明安装成功了。

nvcc --version

2.3 安装pytorch

进入pythorch官网：https://pytorch.org/get-started/locally/

在这里选择自己的系统类型，选择python，再选择自己的cuda版本，下面会生成连接，复制这个连接到你的终端运行，然后静静等待安装就可以，这个过程比较慢。如此一来，基础环境我们就已经搭建好了，接下来我们配置yolov7所需的其余环境。

如果你想安装早期的pytorch版本，在上述的页面中点击Previous PyThorch Versions即可。

3 YOLOv7运行环境配置

首先我们进入YOLOv7的源码地址：https://github.com/WongKinYiu/yolov7，点击code然后download zip下载源代码，在这里呢，我建议顺便将YOLOv7的几个权重一起下载下来。

从上述页面往下滑动就可以看到五个不同的权重。

源代码下载后解压就是下面这样的，这里面的requirements.txt文件是接下来安装YOLOv7依赖的所需文件。

cd 你的源代码所在
比如我的代码包（yolov7-main）在XXA下，那么就可以这样
cd XXA/yolov7-main

我们切换的最后一个名称是我们源代码包的名称，这样我们就进入到了我们的源代码包目录下，然后使用pip安装所需依赖，指令如下。

pip install -r requirements.txt

静静等待安装完成即可，安装完成后，我们的YOLOv7的环境也就搭建完成了，下面我们来验证一下我们的安装是否成功。

4 验证环境

这个时候就要用到我刚才建议大家下载的那几个权重了，将yolov7.pt放到yolov7的根目录下，我这里也就是yolov7-main里面。（在下面第一个画红线的地方可以修改我们的权重，这个文件初始默认的是yolov7.pt，我建议直接用这个测试，省的改麻烦，等熟悉熟悉再去自己探索。）

我们就将yolov7.pt放到文件夹里之后，运行detect.py进行测试。

出现如下情况说明测试成功，也说明你的环境配置成功。测试结果会提示你保存到了那个文件夹里，可以自行查看（比如我的保存到了runs/detect/...里，我们打开看一下)。

测试结果展示

到这里，如果一切顺利的话，你的YOLOv7的环境的配置已经没有问题了，接下来就可以开始利用自己的数据集来训练自己的模型了，具体的操作方法在下一篇中详细讲述。有任何疑问欢迎在评论区留言~.~。