Windows搭建yolo5训练环境，及pt文件转为onnx导出
文章由三篇精品文章整合而来：
2、超详细win安装深度学习环境2025年最新版（cuda11.8+torch2.2）
3、一看就懂，一学就会】yolov5保姆级打标签、训练+识别教程
conda是关键，类似于虚拟机群，再里面可以创建不同的python版本、不同的cuda
第一步：安装Anaconda
第二步：安装PyCharm
第三步：创建一个虚拟环境
conda create -n yolo05 python=3.8
创建成功后，以下面命令激活进入创建的虚拟环境
conda activate yolo05
第四步：从github上下载yolov5项目
官网：ultralytics/yolov5: YOLOv5 🚀 in PyTorch > ONNX > CoreML > TFLite (github.com)
下载完整代码后，并把下面的YOLO5s、l什么的下载到上面项目文件的目录下，它是模型的预训练权重文件，官方提供了5个模型训练权重，也可把其他文件也下载本地，进行对比。
第五步：让虚拟环境进入yolov5项目目录，并下载依赖
cd D:\yolo\yolov5-master D:
进入yolov5项目目录后，执行下面命令下载项目所需依赖库
pip install -r requirements.txt
第六步：用Pycharm打开YOLO项目文件，选择配置好的虚拟环境
File -> Settings -> Project:yolov5 -> Python Interpreter -> add -> Conda Enviroment -> Existing Enviroment -> 选择你的虚拟环境路径 -> ok
如果你跟我一样，有红框框，就点一下生成新的单选按钮，然后再点回来就可以了
第七步：运行项目
设置完虚拟环境，运行左侧的detect.py文件
如果运行结束后没有报错，而且在左侧的runs\detect\exp目录下出现了下面这两张被处理过的图片，就说明前面的操作都木有问题，恭喜已成功运行！
-----------------------------------------------------------到此第一步搭建yolo5识别环境算是完成了，接下来开始是如何训练自己的识别模型
2、搭建训练模型环境
一、准备工作
1、基本知识
一个高效稳定的深度学习环境是进行研究和开发的基础，今天我们一起来安装深度学习环境，配置是：cuda11.8+cuDNN8.9.7+conda+torch2.2.2+torchvision0.17.2，下面来介绍一下他们和深度学习的联系。
CUDA是由NVIDIA推出的并行计算平台和编程模型，能够利用GPU的强大计算能力加速深度学习模型的训练和推理。
cuDNN是NVIDIA提供的一个GPU加速库，专门用于深度神经网络的高效运算。
Conda是一个开源的包管理系统和环境管理系统。它允许用户创建隔离的环境，以避免不同项目之间的包冲突。
PyTorch是一个广泛使用的深度学习框架，使得模型的设计、调试和实验更加便捷。
2、检查显卡配置，查询可支持的cuda版本
win左下角搜索cmd打开命令行窗口，输入nvidia-smi
可以看到显卡最高支持到cuda12.8，为了兼容性高些，我选择了11.8
二、cuda/cudnn环境配置
1、cuda
1）cuda下载
进入下载页面CUDA Toolkit Archive | NVIDIA Developer，选择cuda11.8，这个版本用的人很多，可以支持绝大部分的深度学习项目。
在CUDA Toolkit 11.8.0的详情页面里，依次选择Windows-x86_64-Version 10-exe(local)，然后选择下载（local是离线版，network是在线版需要下载包）
2）cuda安装
点击下载好的cuda_11.8.0_522.06_windows.exe安装包，第一步路径选择默认路径即可，点击“ok”，NVIDIA软件许可协议选择“同意并继续”，安装选项选择自定义，点击“下一步”，自定义安装选项中不用修改，默认即可，点击"下一步"，最后一步是选择安装位置，强烈建议保持默认即可，然后点击下一步，等待安装完成。
3）设置环境变量
win左下角搜索环境变量，点击”编辑系统环境变量“。
点击”环境变量“，检查右下角的系统变量是否已经有CUDA_PATH和CUDA_PATH_V11.8，二者都指向了刚刚的安装路径，如果没有需要自己添加。
4）验证是否安装成功
当安装完成后，win左下角搜索cmd打开命令行窗口，输入nvcc -V，如下所示即为安装成功。
2、cudnn
1）cudnn下载
首先进入下载页面NVIDIA 开发者，这是英伟达在国内的官网，选择右上角的立即加入，用邮箱完成注册。
然后进入下载页面cuDNN 历史版本 | NVIDIA 开发者，选择”下载 cuDNN v8.9.7 (2023年12月5日), 适用于 CUDA 11.x“，后面的适用于CUDA 11.x意思是支持cuda11的任何一个版本，也包括本次选择的cuda11.8。然后点击”Local Installer for Windows (Zip)“，这里需要注册用户才能下载，由于是选择了英伟达在中国的官网，所以下载速度会快一点。
2）cudnn安装
解压下载好的cudnn安装包，同时打开刚刚安装cuda的地址，如果是默认路径， 那么是在”C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.8“路径下。
整体cudnn的安装过程是将右边cudnn文件夹下的文件，复制到左边的cuda目录下。首先将cudnn文件夹中的bin和include两个文件夹中的内容，拷贝到cuda安装目录下的bin和include文件夹中。在cudnn中的lib文件夹下，有一个x64文件夹，同理将里面的内容，拷贝到cuda安装目录下的lib文件夹下的x64文件夹中。
3、pip、conda换源
1）Conda
Conda原本的网站下载的时候速度缓慢，为了快速下载，选择将conda的下载源更换为清华源。
win左下角搜索cmd打开命令行窗口，输入以下代码：
conda config --set show_channel_urls yes
此时进入C:\Users\xx��这里是自己的用户名，找到一个名为.condarc的文件，右键选择打开方式，用记事本打开，将以下内容复制到里面，然后保存。
channels:
- defaults
show_channel_urls: true
default_channels:
- https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main
- https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/r
- https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/msys2
custom_channels:
conda-forge: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
msys2: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
bioconda: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
menpo: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
pytorch: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
pytorch-lts: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
simpleitk: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
deepmodeling: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/
2）Pip
Pip是目前深度学习最广泛使用的python包管理工具，配置环境的时候下载十分迅速。
pip的原有下载源速度也不是很快，建议更换为清华源进行下载。
在命令行窗口中输入以下代码，第一个代码是临时使用清华源进行下载，使用时将最后的xx替换为需要下载的包，第二个代码是将pip的默认下载更改为清华源，这样每一次下载将默认从清华源下载，速度飞快。
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple xx
pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple
在虚拟环境中，建议torch选用conda进行安装。其他的所有包建议全部用conda，或者是pip进行下载，即一个虚拟环境中的包来自同一个下载器，既方便了使用，还减小了出bug的可能。
三、torch环境配置
进入pytorch官网Previous PyTorch Versions | PyTorch，选择torch2.2.2---CUDA 11.8的代码
Cmd进入原来搭建好的虚拟环境
conda activate yolo05
conda install pytorch==2.2.2 torchvision==0.17.2 torchaudio==2.2.2 pytorch-cuda=11.8 -c pytorch -c nvidia
将代码复制到刚刚在（yolo05）环境下的命令行窗口中，运行，输入y开始下载，torch因为比较大所以下载慢，耐心等待。
然后验证torch安装是否成功，输入conda activate yolo05，输入 python，会进入一个（yolo05）环境下，以>>>开头的环境中，可以直接在这里执行python代码，依次输入如下两句代码，如果返回True即为成功安装。
import torch
torch.cuda.is_available()
2、训练自己的模型
一、使用标注软件进行图片标注
二、解压标注完的文件并存放在程序上一级目录中
三、选择训练模型
我这边选择yolo5s训练，复制文件
浙公网安备 33010602011771号