YOLO-v5环境配置：一站式解决PyTorch和YOLOv5安装
1. 为什么选择YOLO-v5
YOLO（You Only Look Once）作为当前最流行的目标检测算法之一，以其实时性和高精度在工业界广受青睐。相比其他检测模型，YOLO-v5具有以下优势：
- 部署简单：完整的Python实现，无需复杂编译
- 训练快速：在消费级GPU上也能快速收敛
- 模型轻量：最小的yolov5n仅1.9MB，适合移动端
- 生态完善：官方持续维护，社区支持强大
本文将带你从零开始完成YOLO-v5的环境配置，解决PyTorch安装、CUDA配置等常见问题，让你10分钟内就能跑通第一个检测demo。
2. 环境准备
2.1 硬件要求
虽然YOLO-v5可以在CPU上运行，但为了获得最佳体验，建议使用NVIDIA显卡：
| 硬件 | 最低配置 | 推荐配置 |
|---|---|---|
| GPU | GTX 1050 (4GB) | RTX 3060 (12GB) |
| 内存 | 8GB | 16GB+ |
| 存储 | 50GB可用空间 | SSD硬盘 |
小贴士：如果没有独立显卡，可以使用Google Colab的免费GPU资源
2.2 软件依赖
确保系统已安装：
- Python 3.8或3.9（不推荐3.10+）
- pip 20.0+
- Git（用于克隆仓库）
3. 一站式安装指南
3.1 创建Python虚拟环境
为避免包冲突，建议使用conda或venv创建独立环境：
conda create -n yolov5 python=3.9 conda activate yolov5或者使用venv：
python -m venv yolov5_env source yolov5_env/bin/activate # Linux/Mac yolov5_env\Scripts\activate # Windows3.2 安装PyTorch与CUDA
这是最容易出错的环节，需要根据CUDA版本选择对应的PyTorch安装命令：
- 首先检查CUDA版本（如有NVIDIA显卡）：
nvcc --version- 访问PyTorch官网获取安装命令，例如：
# CUDA 11.3 pip install torch==1.12.1+cu113 torchvision==0.13.1+cu113 torchaudio==0.12.1 --extra-index-url https://download.pytorch.org/whl/cu113- 验证安装：
import torch print(torch.__version__) # 应显示1.12.1 print(torch.cuda.is_available()) # 应返回True3.3 克隆YOLO-v5仓库
获取官方最新代码：
git clone https://github.com/ultralytics/yolov5.git cd yolov53.4 安装依赖项
使用官方requirements.txt安装所有依赖：
pip install -r requirements.txt国内用户建议添加清华源加速：
pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple
4. 验证安装
4.1 运行测试脚本
使用预训练模型检测示例图片：
python detect.py --weights yolov5s.pt --source data/images/bus.jpg成功运行后，结果会保存在runs/detect/exp/目录下。
4.2 常见问题排查
❗ 问题1：No module named 'torch'
解决方案：
- 确认虚拟环境已激活
- 重新安装PyTorch
- 检查Python版本是否为3.8/3.9
❗ 问题2：CUDA out of memory
解决方案：
- 减小batch size
- 使用更小的模型(yolov5n)
- 添加
--img 320参数降低分辨率
❗ 问题3：下载模型缓慢
解决方案：
- 手动下载pt文件到本地
- 指定本地路径：
python detect.py --weights ./yolov5s.pt --source data/images/5. 开发环境配置
5.1 Jupyter Notebook使用
- 安装Jupyter：
pip install notebook- 启动：
jupyter notebook- 新建Notebook测试代码：
import torch model = torch.hub.load('ultralytics/yolov5', 'yolov5s') results = model('https://ultralytics.com/images/zidane.jpg') results.print()5.2 VS Code远程开发
- 安装Remote-SSH扩展
- 连接到服务器
- 打开yolov5目录
- 使用内置终端运行命令
6. 进阶配置
6.1 使用Docker镜像
官方提供了预配置的Docker镜像：
docker pull ultralytics/yolov5:latest docker run -it --gpus all ultralytics/yolov5:latest6.2 模型导出
支持导出为多种格式：
python export.py --weights yolov5s.pt --include onnx engine常用导出格式：
- ONNX：通用推理格式
- TensorRT：NVIDIA加速引擎
- CoreML：苹果设备使用
7. 总结
通过本文的步骤，你应该已经完成了：
- Python虚拟环境创建
- PyTorch与CUDA的正确安装
- YOLO-v5仓库克隆与依赖安装
- 基础检测demo的运行验证
- 开发环境配置建议
接下来可以：
- 尝试训练自己的数据集
- 探索不同模型大小(yolov5n/s/m/l/x)的性能差异
- 将模型部署到生产环境
获取更多AI镜像
想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。
