在国产芯片上实现YOLOv5/v8图像AI识别- 【1.2】进行开发前的准备工作

本专栏主要是提供一种国产化图像识别的解决方案，专栏中实现了YOLOv5/v8在国产化芯片上的使用部署，并可以实现网页端实时查看。根据自己的具体需求可以直接产品化部署使用。

此处展示的是博主个人的使用环境，可以根据自身情况调整。

环境介绍（可以个人实际情况调整）

硬件准备：
一台Ubuntu+3060显卡主机，主要用来训练工作。
一台MacBook，主要用来编程工作。
软件准备：
MacBook安装vscode。
Ubuntu主机安装docker，如果使用云主机此处可以忽略。

vsc远程开发基础设置

在MacBook打开vsc，点击安装空间搜索Remote-SSH，点击安装。

以下是远程ssh的配置演示，可以点击左下角链接指定服务器。

在服务器链接服务器后，在终端输入code /指定目录，vsc则会打开远程电脑上的目录，并进入编程界面。

准备pytorch环境

这里我个人使用docker来准备环境，如果是云主机或者不使用docker可以直接按照yolov5的常规安装方式进行安装。

常规安装

此处列举一下常规安装的步骤，具体才做过程不重点演示，CSDN上搜索有很多。

1. 检查显卡驱动的安装，使用命令行输入nvidia-smi，如果现实了cuda版本说明就安装好了下卡驱动。
2. 安装conda，这个是python的虚拟环境，做python开发的都不会陌生
3. 在命令行使用conda创建环境并进入环境。
4. 下载yolov5代码，git clone https://github.com/ultralytics/yolov5。
5. 使用pip3 install -r requirements.txt -i http://mirrors.aliyun.com/pypi/simple/ --trusted-host mirrors.aliyun.com安装相关依赖。

docker安装

1、安装显卡驱动

我个人使用的是ubuntu电脑，所以需要首先确定是否安装好显卡驱动。我选用的ubuntu电脑是自带图形界面的，可以直接在官方渠道找到对应的驱动电机安装。个人建议这一种，由于显卡驱动和pytorch的匹配很麻烦没必要手动安装舍近求远。

安装完成后电脑需要重新启动，然后在命令行输入nvidia-smi能够正常显示就说明安装成功了。

2、安装docker

此处自行百度docker的安装方法，不重点教学。需要注意，如果和博主一样使用的是Linux电脑需要设置一下用户权限，可以在非root用户下运行。

sudo groupadd docker
sudo usermod -aG docker $USER
sudo reboot
1
2
3

3、安装pytorch环境

首先执行docker的pull指令拉取镜像，因为后面我们会多次用到。

docker pull nvcr.io/nvidia/pytorch:22.03-py3
1

然后使用创建指令，创建一个新的镜像空间出来。这里面注意这个"–gpus all"，代表着这个空间可以调用GPU如果创建或启动失败大概率是本机的显卡驱动安装有问题。

docker run --gpus all -it --name yolov5_env -v $(pwd):/app nvcr.io/nvidia/pytorch:22.03-py3 
1

4、检查容器内部的python可用性

进入容器，在容器中执行以下指令，如果返回True说明安装没问题。

python
>>> import torch
>>> torch.__version__
>>> print(torch.cuda.is_available())
1
2
3
4

下载yolov5代码冒烟一下

在docker中下载v5的源码，并安装相关依赖。最后执行测试脚本，如果顺利完成说明准备工作就没有问题了。

git clone https://github.com/ultralytics/yolov5
cd yolov5
pip install -r requirements.txt
detect.py
1
2
3
4