配置yolov5ubunt18.04
时间: 2025-05-15 17:07:22 浏览: 13
### 安装和配置 YOLOv5 的详细过程
#### 1. 更新系统
在开始之前,确保系统的软件包是最新的。可以运行以下命令来更新系统:
```bash
sudo apt update && sudo apt upgrade -y
```
#### 2. 安装 NVIDIA 显卡驱动
为了充分利用 GPU 加速功能,需要先安装适合的 NVIDIA 驱动程序。通过 `ubuntu-drivers` 工具自动检测并推荐合适的驱动版本[^1]。
```bash
sudo apt install ubuntu-drivers-common
sudo ubuntu-drivers autoinstall
```
完成安装后重启计算机以使更改生效。
#### 3. 安装 Python 和依赖项
Ubuntu 18.04 默认自带 Python 3.6.9 版本,但 YOLOv5 v6.1 要求至少 Python 3.7.0[^4]。因此建议使用 Conda 创建独立的虚拟环境,并指定更高版本的 Python(例如 Python 3.8)。以下是具体操作:
##### (a) 下载并安装 Anaconda 或 Miniconda
访问官网下载最新版的 Anaconda 或 Miniconda 并按照说明安装。如果已经下载了脚本,则可以直接执行:
```bash
bash Anaconda3-2023.09-0-Linux-x86_64.sh
```
完成后初始化 Conda 环境[^3]。
##### (b) 创建虚拟环境
创建一个新的虚拟环境并将 Python 设置为目标版本(如 Python 3.8):
```bash
conda create -n yolov5_env python=3.8
conda activate yolov5_env
```
#### 4. 安装 PyTorch 及其他依赖库
YOLOv5 使用 PyTorch 作为核心框架之一。根据硬件条件选择 CPU 或 GPU 版本进行安装。
##### (a) 对于 GPU 用户
如果有支持 CUDA 的显卡,需提前安装 CUDA Toolkit 和 cuDNN 库。假设已安装 CUDA 11.x,在终端输入以下命令安装兼容的 PyTorch 版本:
```bash
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118
```
##### (b) 对于仅使用 CPU 的用户
如果没有 GPU 支持或者不想启用它,可以选择纯 CPU 实现方式:
```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
```
#### 5. 克隆 YOLOv5 仓库
从 GitHub 上克隆官方发布的特定分支代码至本地目录中。这里选用的是稳定版本 v6.0:
```bash
git clone -b v6.0 https://github.com/ultralytics/yolov5.git
cd yolov5
```
#### 6. 安装项目所需的 pip 包
进入克隆下来的文件夹路径之后,利用 Pipfile 来批量处理所需的所有第三方模块:
```bash
pip install -r requirements.txt
```
#### 7. 测试模型是否正常工作
最后一步就是验证整个流程设置无误与否。尝试加载预训练权重并对随机图片做推理演示:
```python
from pathlib import Path
import sys
sys.path.append(str(Path().resolve()))
from models.common import DetectMultiBackend
from utils.dataloaders import LoadImages
from utils.general import check_img_size, non_max_suppression, scale_boxes
from utils.torch_utils import select_device
weights = 'yolov5s.pt' # 替换为你自己的 .pt 文件名
imgsz = 640 # 图像大小
conf_thres = 0.25 # 置信度阈值
iou_thres = 0.45 # IOU 值用于 NMS
device = select_device('') # 自动选择设备 ('gpu'/'cpu')
model = DetectMultiBackend(weights, device=device)
source = 'test.jpg'
dataset = LoadImages(source, img_size=imgsz)
for path, im, im0s, vid_cap, s in dataset:
pred = model(im)[0]
pred = non_max_suppression(pred, conf_thres, iou_thres)
print("Model inference successful!")
```
---
###
阅读全文
相关推荐


















