gpu 跑yolov5

### 如何使用 GPU 运行 YOLOv5 模型 YOLOv5 是一种高效的实时目标检测框架，支持利用 GPU 加速模型训练和推理过程。以下是关于如何配置并使用 GPU 来运行 YOLOv5 模型的关键要点： #### 1. 安装必要的依赖项 为了使 YOLOv5 能够充分利用 GPU 的计算能力，需要确保 PyTorch 和 CUDA 已经正确安装。PyTorch 提供了针对不同版本的 CUDA 的预编译包，可以根据硬件需求选择合适的版本。 可以通过以下命令检查当前环境中是否已启用 GPU 支持： ```python import torch print(torch.cuda.is_available()) # 如果返回 True，则表示 GPU 可用[^1] ``` 如果尚未安装带有 GPU 支持的 PyTorch 版本，可以按照官方文档中的说明执行安装操作。例如，在 Windows 上可运行如下命令： ```bash pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118 # 针对 CUDA 11.8 的安装[^3] ``` #### 2. 修改 YAML 文件中的路径设置 当在本地或云端环境中运行 YOLOv5 时，需注意数据集路径可能发生变化。因此，应在 `data.yaml` 文件中更新训练集和验证集的相关路径信息，以匹配实际存储位置。这一步对于成功加载数据至关重要[^5]。 #### 3. 启动训练脚本并指定设备参数 默认情况下，YOLOv5 将自动检测可用的 GPU 并分配资源用于加速运算。然而，也可以手动设定具体使用的设备编号或者强制切换至 CPU 模式作为备用方案。启动训练任务时可通过命令行传递选项实现这一功能。例如： ```bash python train.py --img 640 --batch 16 --epochs 50 --data dataset.yaml --weights yolov5s.pt --device 0 # 使用第 0 块显卡 ``` 上述指令中，`--device` 参数决定了程序运行所依托的具体硬件单元；将其设为整数值代表对应索引号下的独立 GPU 单元，而赋值字符串 `"cpu"` 则会禁用所有图形处理器转而依靠中央处理单元完成全部工作流程[^2]。 #### 4. 测试阶段同样受益于 GPU 性能提升 除了训练之外，在部署期间进行预测分析亦能够享受到来自专用图像渲染芯片所带来的效率增益效果。只需简单调整调用函数内部定义好的偏好条件即可轻松达成目的。比如下面这段代码片段展示了如何基于 webcam 输入流实现实时物体分类展示画面的同时保持流畅度水平处于较高水准之上。 ```python from utils.general import non_max_suppression, scale_coords from models.experimental import attempt_load model = attempt_load('yolov5s.pt', map_location=torch.device('cuda')) # Load model on GPU cap = cv2.VideoCapture(0) # Open the default camera (webcam) while cap.isOpened(): ret, frame = cap.read() if not ret: break img = preprocess(frame) # Preprocess image as required by your network architecture pred = model(img.to(device)) # Perform inference using GPU acceleration results = postprocess(pred) # Post-process predictions to obtain bounding boxes etc. annotated_frame = draw_boxes(results, frame) # Annotate original frame with detections cv2.imshow("Object Detection", annotated_frame) if cv2.waitKey(1) & 0xFF == ord('q'): break cap.release() cv2.destroyAllWindows() ``` --- ###