ubuntu安装yolov3
时间: 2025-04-19 14:51:29 浏览: 33
### 安装配置YOLOv3
#### 创建Anaconda虚拟环境并激活
为了确保依赖项不会相互冲突,推荐使用Anaconda来管理Python环境。首先创建一个新的虚拟环境,并命名为`yolov3_env`:
```bash
conda create --name yolov3_env python=3.8
```
接着激活这个新创建的环境:
```bash
conda activate yolov3_env
```
#### 安装CUDA和cuDNN
对于GPU加速的支持,需要先安装合适的CUDA工具包以及相应的cuDNN库。假设目标硬件为NVIDIA RTX系列显卡,则应选择兼容版本[^3]。
- 下载适用于Ubuntu系统的CUDA Toolkit 11.x版;
- 配置好环境变量,在`.bashrc`文件中加入如下路径设置:
```bash
export PATH=/usr/local/cuda-11/bin${PATH:+:${PATH}}
export LD_LIBRARY_PATH=/usr/local/cuda-11/lib64\
${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}
```
- cuDNN可以通过官方提供的deb软件包形式安装,注意要匹配已安装好的CUDA版本号;
#### PyTorch及相关依赖项安装
完成上述准备工作之后,可以继续通过pip命令安装PyTorch框架及其扩展组件:
```bash
pip install torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu113
```
这里选择了带有CUDA支持的特定版本以充分利用GPU资源。同时还需要额外安装一些必要的Python模块,比如OpenCV用于图像处理等:
```bash
pip install opencv-python matplotlib numpy tqdm scikit-image
```
#### 获取YOLOv3源码仓库
最后一步是从GitHub克隆官方维护者AlexeyAB所发布的YOLOv3项目代码至本地目录内:
```bash
git clone https://github.com/AlexeyAB/darknet.git
cd darknet
```
根据个人需求调整Makefile中的选项(如开启OPENCV、GPU标志),编译darknet程序:
```makefile
GPU=1
CUDNN=1
OPENCV=1
```
执行编译指令:
```bash
make
```
此时应该已经成功搭建好了完整的YOLOv3运行平台,能够加载预训练模型并对图片或视频流实施对象检测任务了。
阅读全文
相关推荐

















