1. 项目概述从零开始搭建你的第一个YOLOv5检测环境如果你对计算机视觉感兴趣想亲手体验一下让机器“看见”并识别物体的神奇过程那么YOLOv5绝对是一个绝佳的起点。它不像一些老牌框架那样需要复杂的编译和漫长的环境搭建其设计哲学就是“开箱即用”。但即便如此对于一个刚接触编程和深度学习的小白来说面对Python版本、PyTorch、CUDA这些名词依然可能一头雾水一不小心就陷入“包冲突”、“版本不匹配”的泥潭几个小时甚至几天都搭不好环境热情瞬间被浇灭。这篇内容就是为你准备的“避坑指南”和“手把手教程”。我将以一个纯新手的视角带你一步步走通YOLOv5的环境配置全过程。我们不只讲“怎么做”更会解释清楚“为什么这么做”让你在配置过程中真正理解每个步骤的意义。从安装Python和CUDA驱动到创建虚拟环境、安装PyTorch和YOLOv5再到最后运行一个简单的检测demo验证成果我会把每一步可能遇到的坑、以及如何绕过去的方法都清晰地摊开来讲。我的目标是只要你跟着做就一定能成功跑起来亲眼看到YOLOv5识别出图片中的物体获得第一次实战的正向反馈。这不仅是配置一个工具更是你踏入AI实践大门的第一步。2. 环境配置的整体思路与核心组件解析在动手敲命令之前我们先花点时间理清思路。YOLOv5的环境可以看作由几个层层递进的“套娃”组成理解它们的关系后续出问题时你才知道该检查哪一层。2.1 核心依赖栈从硬件驱动到应用代码最底层是你的硬件主要是NVIDIA显卡GPU。GPU是深度学习的“发动机”能极大加速模型训练和推理。没有GPU也能运行但速度会慢很多适合轻量级体验。往上一层是显卡驱动和CUDA Toolkit。驱动让系统能识别并使用你的显卡CUDA则是NVIDIA推出的并行计算平台和编程模型它像是一个“翻译官”和“调度员”让PyTorch这样的深度学习框架能够高效地调用GPU进行计算。这里有一个关键点CUDA有版本号如11.3, 11.7, 12.1这个版本必须和后续安装的PyTorch版本匹配。再往上是PyTorch这是当前最主流的深度学习框架之一YOLOv5就是基于它构建的。PyTorch的安装包是“绑定”了特定CUDA版本的。比如你通过pip安装的命令torch1.12.1cu113就表示安装的是PyTorch 1.12.1并且其预编译版本是针对CUDA 11.3的。如果你系统里装的CUDA是12.1那么这个PyTorch就无法使用GPU加速。最顶层才是YOLOv5的源代码及其直接依赖包如opencv-python,matplotlib,pycocotools等。它通过调用PyTorch的接口来实现所有功能。因此我们的配置逻辑是自底向上的确保驱动正常 → 安装与未来PyTorch版本匹配的CUDA → 安装对应CUDA版本的PyTorch → 最后安装YOLOv5。对于纯新手我强烈建议在Windows系统上使用Anaconda来管理Python环境它能完美解决不同项目间包版本冲突的问题就像为每个项目建立一个独立的“工作间”。2.2 工具选型为什么是Anaconda PyCharm对于零基础的朋友我推荐Anaconda和PyCharm Community Edition社区版这套组合拳。Anaconda是一个集成的Python数据科学平台它自带了很多科学计算包更重要的是它包含了conda这个强大的环境管理工具。你可以用conda create -n yolov5 python3.8一键创建一个名为“yolov5”、Python版本为3.8的纯净虚拟环境与系统其他环境完全隔离。注意Python版本建议选择3.8或3.9。这是经过大量实践验证的、与各版本PyTorch和依赖包兼容性最好的区间。追求最新的Python 3.11或3.12可能会遇到一些依赖包尚未适配的麻烦。PyCharm则是一个功能强大的Python IDE集成开发环境。社区版完全免费对新手非常友好。它不仅能高亮代码、智能提示还能直接集成Anaconda的环境让你方便地在IDE内切换和使用我们创建好的虚拟环境。你不需要在黑乎乎的命令行里记忆各种激活环境的命令在PyCharm里点选即可。这套组合能最大化降低环境管理的复杂度让你把精力集中在学习YOLOv5本身。3. 超详细实操步骤一步步搭建环境现在我们进入实战环节。请严格按照顺序操作并仔细阅读每一步的说明。3.1 第一步检查与安装NVIDIA显卡驱动及CUDA首先确认你的电脑有NVIDIA显卡。在桌面右键点击“此电脑”-“管理”-“设备管理器”-“显示适配器”查看是否有“NVIDIA”字样的设备。更新显卡驱动 访问NVIDIA官网的驱动程序下载页面。手动搜索你的显卡型号如GeForce RTX 3060选择你的操作系统下载最新的Game Ready Driver或Studio Driver均可。安装过程保持默认选项安装完成后重启电脑。验证驱动与确定CUDA版本 重启后同时按下Win R键输入cmd打开命令提示符输入命令nvidia-smi并回车。 你会看到一个表格右上角显示着“CUDA Version: 12.4”之类的信息。这个CUDA版本是你当前驱动支持的最高CUDA版本并不是你系统已经安装的CUDA Toolkit版本。这个信息很重要它告诉你可以安装不超过此版本的CUDA Toolkit。例如这里显示12.4那么你可以安装12.1、11.8等版本的CUDA Toolkit。安装CUDA Toolkit 前往NVIDIA CUDA Toolkit官网。我们不是安装驱动显示的最高版本而是要根据PyTorch官方提供的兼容版本来选择。访问PyTorch官网查看最新稳定版如PyTorch 2.0通常支持的CUDA版本常见的有11.7, 11.8, 12.1。为了兼容性更广我们选择CUDA 11.8。 在CUDA官网找到CUDA 11.8的安装包通常是一个较大的exe文件下载并安装。安装时选择“自定义安装”在组件列表中务必取消勾选“Visual Studio Integration”除非你正好需要其他保持默认即可。安装路径也建议保持默认。验证CUDA安装 安装完成后再次打开命令提示符输入nvcc -V。如果安装成功会显示CUDA编译器的版本信息如“release 11.8”。这证明CUDA Toolkit已正确安装。3.2 第二步安装Anaconda并创建虚拟环境下载与安装Anaconda 访问Anaconda官网下载适用于Windows的Python 3.9版本安装包。安装时注意两个选项一是将Anaconda添加到系统PATH环境变量虽然不推荐但新手可以勾选方便后续在任意终端使用conda二是将Anaconda注册为系统默认Python建议勾选。安装完成后在开始菜单找到“Anaconda Prompt (Anaconda3)”并打开这是一个已经配置好conda命令的命令行工具。创建专属虚拟环境 在Anaconda Prompt中依次输入以下命令# 创建一个名为yolov5Python版本为3.8的新环境 conda create -n yolov5 python3.8 # 当提示是否继续时输入 y 并回车创建完成后激活这个环境conda activate yolov5激活后命令行提示符的开头会从(base)变成(yolov5)这表示你已经进入了这个独立的环境。3.3 第三步安装PyTorch最关键的一步保持虚拟环境(yolov5)处于激活状态我们前往PyTorch官网。在官网首页你会看到一个配置生成器PyTorch Build: Stable (2.x.x)Your OS: WindowsPackage: Pip (我们使用pip安装conda安装有时较慢)Language: PythonCompute Platform: 这里根据你安装的CUDA Toolkit版本选择。例如我们安装了CUDA 11.8就选择CUDA 11.8。 网站会生成一行安装命令例如pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118将这行命令复制到激活了yolov5环境的Anaconda Prompt中执行。这个过程会下载较大的文件请保持网络通畅。安装完成后验证PyTorch能否识别GPU。在Anaconda Prompt(yolov5环境)中输入python进入Python交互模式然后逐行输入import torch print(torch.__version__) # 打印PyTorch版本 print(torch.cuda.is_available()) # 打印True则表示GPU可用 print(torch.cuda.get_device_name(0)) # 打印你的GPU型号如果torch.cuda.is_available()返回True并且能打印出你的显卡型号那么恭喜你最复杂、最容易出错的一步已经完美通过3.4 第四步克隆YOLOv5仓库并安装剩余依赖克隆代码 在Anaconda Prompt(yolov5环境)中切换到一个你打算存放项目的目录例如D:\Projects然后执行git clone https://github.com/ultralytics/yolov5 cd yolov5如果提示没有git命令可以去git官网下载安装或者直接在YOLOv5的GitHub页面点击“Code”-“Download ZIP”下载后解压到你项目的目录并在Anaconda Prompt中cd到解压后的文件夹。安装依赖 YOLOv5项目根目录下有一个requirements.txt文件列出了所有必需的Python包。在yolov5目录下执行pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple这里使用了清华大学的镜像源-i https://pypi.tuna.tsinghua.edu.cn/simple可以极大加快在国内的下载速度。4. 验证环境运行你的第一个目标检测环境安装完毕是时候看看成果了。YOLOv5仓库里自带了一些测试用的图片和预训练好的模型权重。下载预训练权重 在YOLOv5目录下通常有一个weights文件夹。你需要下载预训练模型。官方推荐使用他们提供的Python脚本来下载这样最不容易出错。在命令行中执行python -c from utils.downloads import attempt_download; attempt_download(yolov5s.pt)这会下载最小的YOLOv5s模型权重文件到当前目录。运行检测脚本 使用以下命令对项目自带的data/images文件夹下的图片进行检测python detect.py --source data/images --weights yolov5s.pt --conf 0.25参数解释--source: 指定检测源可以是图片、文件夹、视频、摄像头0或网络URL。--weights: 指定使用的模型权重路径。--conf: 置信度阈值高于此值的检测框才会被显示。查看结果 命令运行后你会看到命令行中滚动着处理信息。处理完成后结果会保存在runs/detect/exp目录下。用文件管理器打开这个文件夹你就能看到处理后的图片图中的物体如人、公交车、狗等已经被框选出来并打上了标签。这一刻你的YOLOv5环境就真正跑通了5. 常见问题与排查技巧实录即使步骤再详细实际操作中也可能遇到各种“玄学”问题。这里我总结几个最常见的问题和解决方法。5.1 PyTorch安装后CUDA不可用torch.cuda.is_available()返回 False这是最高频的问题根本原因就是版本不匹配。排查思路1检查CUDA Toolkit与PyTorch版本对应关系。 重新核对你通过nvcc -V查到的CUDA Toolkit版本必须与安装PyTorch时在官网选择的“Compute Platform”完全一致。比如CUDA Toolkit是11.8PyTorch就必须安装cu118的版本。很多人这里出错是因为nvidia-smi显示的是驱动支持的版本如12.4而实际安装的CUDA Toolkit是另一个版本如11.8。排查思路2在虚拟环境中检查CUDA路径。 在激活的虚拟环境中执行conda list cudatoolkit。如果这里显示安装了某个版本的cudatoolkit可能是conda自动安装的它可能与系统安装的CUDA Toolkit冲突。解决方案尝试在虚拟环境中卸载conda安装的cudatoolkitconda remove cudatoolkit然后重新安装PyTorch使用pip命令。让PyTorch直接去链接系统安装的CUDA。排查思路3彻底重装。 如果以上无效可以尝试“核武器”方案1) 在虚拟环境中pip uninstall torch torchvision torchaudio。 2) 去控制面板彻底卸载NVIDIA CUDA Toolkit。 3) 重新安装一个与PyTorch官网推荐完全匹配的CUDA Toolkit版本。 4) 重新安装PyTorch。5.2 安装依赖时出现各种包冲突或安装失败问题表现在安装requirements.txt时提示某个包版本不兼容、冲突或者直接安装失败。解决方案不要一次性安装所有包。可以尝试先安装核心包再逐个解决。或者使用“宽松模式”安装忽略版本约束pip install -r requirements.txt --no-deps -i https://pypi.tuna.tsinghua.edu.cn/simple然后手动安装那些报错的包尝试降低或升级其版本例如pip install opencv-python4.5.5.64。5.3 运行detect.py时提示“No module named ‘xxx‘”问题分析这通常是requirements.txt中的某个包没有成功安装。解决方案根据提示的模块名手动安装即可。例如提示“No module named ‘thop‘”则执行pip install thop。提示“No module named ‘PyYAML‘”则执行pip install PyYAML。5.4 检测过程非常慢GPU利用率很低检查GPU是否真的在参与计算运行检测时可以打开任务管理器切换到“性能”选项卡查看GPU的“3D”或“CUDA”利用率是否有明显波动。如果一直是0%或很低可能还是在用CPU跑。确认detect.py命令是否正确确保你的命令中指定的权重文件路径正确并且没有添加--device cpu这样的参数该参数会强制使用CPU。尝试指定GPU设备在命令中明确指定使用哪块GPU如果你有多块例如--device 0。5.5 关于Python版本和Ultralytics包的特别说明YOLOv5的原作者团队后来推出了一个名为ultralytics的包它封装了YOLOv5、YOLOv8等模型提供了更统一的API。如果你通过pip install ultralytics安装了该包你可以用更简单的命令yolo taskdetect modepredict modelyolov5s.pt sourcedata/images来运行检测。但这和直接使用YOLOv5仓库的detect.py是两种方式。对于初学者我建议先从原仓库的detect.py脚本开始这样你能更清楚地看到整个流程和代码结构理解更深刻。等熟悉后再使用ultralytics包来提升开发效率。环境配置是深度学习实践的第一道门槛跨过去就是一片新天地。整个过程最需要的就是耐心和细心尤其是版本匹配环节。一旦配置成功这个环境就是你的“AI实验沙盒”你可以用它来跑官方的模型也可以用来训练自己的数据集探索目标检测的更多可能性。记住遇到问题多搜索搜索时带上关键错误信息多尝试每一个坑踩过去都是宝贵的经验。 YOLOv5环境搭建全攻略：从CUDA驱动到目标检测实战
1. 项目概述从零开始搭建你的第一个YOLOv5检测环境如果你对计算机视觉感兴趣想亲手体验一下让机器“看见”并识别物体的神奇过程那么YOLOv5绝对是一个绝佳的起点。它不像一些老牌框架那样需要复杂的编译和漫长的环境搭建其设计哲学就是“开箱即用”。但即便如此对于一个刚接触编程和深度学习的小白来说面对Python版本、PyTorch、CUDA这些名词依然可能一头雾水一不小心就陷入“包冲突”、“版本不匹配”的泥潭几个小时甚至几天都搭不好环境热情瞬间被浇灭。这篇内容就是为你准备的“避坑指南”和“手把手教程”。我将以一个纯新手的视角带你一步步走通YOLOv5的环境配置全过程。我们不只讲“怎么做”更会解释清楚“为什么这么做”让你在配置过程中真正理解每个步骤的意义。从安装Python和CUDA驱动到创建虚拟环境、安装PyTorch和YOLOv5再到最后运行一个简单的检测demo验证成果我会把每一步可能遇到的坑、以及如何绕过去的方法都清晰地摊开来讲。我的目标是只要你跟着做就一定能成功跑起来亲眼看到YOLOv5识别出图片中的物体获得第一次实战的正向反馈。这不仅是配置一个工具更是你踏入AI实践大门的第一步。2. 环境配置的整体思路与核心组件解析在动手敲命令之前我们先花点时间理清思路。YOLOv5的环境可以看作由几个层层递进的“套娃”组成理解它们的关系后续出问题时你才知道该检查哪一层。2.1 核心依赖栈从硬件驱动到应用代码最底层是你的硬件主要是NVIDIA显卡GPU。GPU是深度学习的“发动机”能极大加速模型训练和推理。没有GPU也能运行但速度会慢很多适合轻量级体验。往上一层是显卡驱动和CUDA Toolkit。驱动让系统能识别并使用你的显卡CUDA则是NVIDIA推出的并行计算平台和编程模型它像是一个“翻译官”和“调度员”让PyTorch这样的深度学习框架能够高效地调用GPU进行计算。这里有一个关键点CUDA有版本号如11.3, 11.7, 12.1这个版本必须和后续安装的PyTorch版本匹配。再往上是PyTorch这是当前最主流的深度学习框架之一YOLOv5就是基于它构建的。PyTorch的安装包是“绑定”了特定CUDA版本的。比如你通过pip安装的命令torch1.12.1cu113就表示安装的是PyTorch 1.12.1并且其预编译版本是针对CUDA 11.3的。如果你系统里装的CUDA是12.1那么这个PyTorch就无法使用GPU加速。最顶层才是YOLOv5的源代码及其直接依赖包如opencv-python,matplotlib,pycocotools等。它通过调用PyTorch的接口来实现所有功能。因此我们的配置逻辑是自底向上的确保驱动正常 → 安装与未来PyTorch版本匹配的CUDA → 安装对应CUDA版本的PyTorch → 最后安装YOLOv5。对于纯新手我强烈建议在Windows系统上使用Anaconda来管理Python环境它能完美解决不同项目间包版本冲突的问题就像为每个项目建立一个独立的“工作间”。2.2 工具选型为什么是Anaconda PyCharm对于零基础的朋友我推荐Anaconda和PyCharm Community Edition社区版这套组合拳。Anaconda是一个集成的Python数据科学平台它自带了很多科学计算包更重要的是它包含了conda这个强大的环境管理工具。你可以用conda create -n yolov5 python3.8一键创建一个名为“yolov5”、Python版本为3.8的纯净虚拟环境与系统其他环境完全隔离。注意Python版本建议选择3.8或3.9。这是经过大量实践验证的、与各版本PyTorch和依赖包兼容性最好的区间。追求最新的Python 3.11或3.12可能会遇到一些依赖包尚未适配的麻烦。PyCharm则是一个功能强大的Python IDE集成开发环境。社区版完全免费对新手非常友好。它不仅能高亮代码、智能提示还能直接集成Anaconda的环境让你方便地在IDE内切换和使用我们创建好的虚拟环境。你不需要在黑乎乎的命令行里记忆各种激活环境的命令在PyCharm里点选即可。这套组合能最大化降低环境管理的复杂度让你把精力集中在学习YOLOv5本身。3. 超详细实操步骤一步步搭建环境现在我们进入实战环节。请严格按照顺序操作并仔细阅读每一步的说明。3.1 第一步检查与安装NVIDIA显卡驱动及CUDA首先确认你的电脑有NVIDIA显卡。在桌面右键点击“此电脑”-“管理”-“设备管理器”-“显示适配器”查看是否有“NVIDIA”字样的设备。更新显卡驱动 访问NVIDIA官网的驱动程序下载页面。手动搜索你的显卡型号如GeForce RTX 3060选择你的操作系统下载最新的Game Ready Driver或Studio Driver均可。安装过程保持默认选项安装完成后重启电脑。验证驱动与确定CUDA版本 重启后同时按下Win R键输入cmd打开命令提示符输入命令nvidia-smi并回车。 你会看到一个表格右上角显示着“CUDA Version: 12.4”之类的信息。这个CUDA版本是你当前驱动支持的最高CUDA版本并不是你系统已经安装的CUDA Toolkit版本。这个信息很重要它告诉你可以安装不超过此版本的CUDA Toolkit。例如这里显示12.4那么你可以安装12.1、11.8等版本的CUDA Toolkit。安装CUDA Toolkit 前往NVIDIA CUDA Toolkit官网。我们不是安装驱动显示的最高版本而是要根据PyTorch官方提供的兼容版本来选择。访问PyTorch官网查看最新稳定版如PyTorch 2.0通常支持的CUDA版本常见的有11.7, 11.8, 12.1。为了兼容性更广我们选择CUDA 11.8。 在CUDA官网找到CUDA 11.8的安装包通常是一个较大的exe文件下载并安装。安装时选择“自定义安装”在组件列表中务必取消勾选“Visual Studio Integration”除非你正好需要其他保持默认即可。安装路径也建议保持默认。验证CUDA安装 安装完成后再次打开命令提示符输入nvcc -V。如果安装成功会显示CUDA编译器的版本信息如“release 11.8”。这证明CUDA Toolkit已正确安装。3.2 第二步安装Anaconda并创建虚拟环境下载与安装Anaconda 访问Anaconda官网下载适用于Windows的Python 3.9版本安装包。安装时注意两个选项一是将Anaconda添加到系统PATH环境变量虽然不推荐但新手可以勾选方便后续在任意终端使用conda二是将Anaconda注册为系统默认Python建议勾选。安装完成后在开始菜单找到“Anaconda Prompt (Anaconda3)”并打开这是一个已经配置好conda命令的命令行工具。创建专属虚拟环境 在Anaconda Prompt中依次输入以下命令# 创建一个名为yolov5Python版本为3.8的新环境 conda create -n yolov5 python3.8 # 当提示是否继续时输入 y 并回车创建完成后激活这个环境conda activate yolov5激活后命令行提示符的开头会从(base)变成(yolov5)这表示你已经进入了这个独立的环境。3.3 第三步安装PyTorch最关键的一步保持虚拟环境(yolov5)处于激活状态我们前往PyTorch官网。在官网首页你会看到一个配置生成器PyTorch Build: Stable (2.x.x)Your OS: WindowsPackage: Pip (我们使用pip安装conda安装有时较慢)Language: PythonCompute Platform: 这里根据你安装的CUDA Toolkit版本选择。例如我们安装了CUDA 11.8就选择CUDA 11.8。 网站会生成一行安装命令例如pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118将这行命令复制到激活了yolov5环境的Anaconda Prompt中执行。这个过程会下载较大的文件请保持网络通畅。安装完成后验证PyTorch能否识别GPU。在Anaconda Prompt(yolov5环境)中输入python进入Python交互模式然后逐行输入import torch print(torch.__version__) # 打印PyTorch版本 print(torch.cuda.is_available()) # 打印True则表示GPU可用 print(torch.cuda.get_device_name(0)) # 打印你的GPU型号如果torch.cuda.is_available()返回True并且能打印出你的显卡型号那么恭喜你最复杂、最容易出错的一步已经完美通过3.4 第四步克隆YOLOv5仓库并安装剩余依赖克隆代码 在Anaconda Prompt(yolov5环境)中切换到一个你打算存放项目的目录例如D:\Projects然后执行git clone https://github.com/ultralytics/yolov5 cd yolov5如果提示没有git命令可以去git官网下载安装或者直接在YOLOv5的GitHub页面点击“Code”-“Download ZIP”下载后解压到你项目的目录并在Anaconda Prompt中cd到解压后的文件夹。安装依赖 YOLOv5项目根目录下有一个requirements.txt文件列出了所有必需的Python包。在yolov5目录下执行pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple这里使用了清华大学的镜像源-i https://pypi.tuna.tsinghua.edu.cn/simple可以极大加快在国内的下载速度。4. 验证环境运行你的第一个目标检测环境安装完毕是时候看看成果了。YOLOv5仓库里自带了一些测试用的图片和预训练好的模型权重。下载预训练权重 在YOLOv5目录下通常有一个weights文件夹。你需要下载预训练模型。官方推荐使用他们提供的Python脚本来下载这样最不容易出错。在命令行中执行python -c from utils.downloads import attempt_download; attempt_download(yolov5s.pt)这会下载最小的YOLOv5s模型权重文件到当前目录。运行检测脚本 使用以下命令对项目自带的data/images文件夹下的图片进行检测python detect.py --source data/images --weights yolov5s.pt --conf 0.25参数解释--source: 指定检测源可以是图片、文件夹、视频、摄像头0或网络URL。--weights: 指定使用的模型权重路径。--conf: 置信度阈值高于此值的检测框才会被显示。查看结果 命令运行后你会看到命令行中滚动着处理信息。处理完成后结果会保存在runs/detect/exp目录下。用文件管理器打开这个文件夹你就能看到处理后的图片图中的物体如人、公交车、狗等已经被框选出来并打上了标签。这一刻你的YOLOv5环境就真正跑通了5. 常见问题与排查技巧实录即使步骤再详细实际操作中也可能遇到各种“玄学”问题。这里我总结几个最常见的问题和解决方法。5.1 PyTorch安装后CUDA不可用torch.cuda.is_available()返回 False这是最高频的问题根本原因就是版本不匹配。排查思路1检查CUDA Toolkit与PyTorch版本对应关系。 重新核对你通过nvcc -V查到的CUDA Toolkit版本必须与安装PyTorch时在官网选择的“Compute Platform”完全一致。比如CUDA Toolkit是11.8PyTorch就必须安装cu118的版本。很多人这里出错是因为nvidia-smi显示的是驱动支持的版本如12.4而实际安装的CUDA Toolkit是另一个版本如11.8。排查思路2在虚拟环境中检查CUDA路径。 在激活的虚拟环境中执行conda list cudatoolkit。如果这里显示安装了某个版本的cudatoolkit可能是conda自动安装的它可能与系统安装的CUDA Toolkit冲突。解决方案尝试在虚拟环境中卸载conda安装的cudatoolkitconda remove cudatoolkit然后重新安装PyTorch使用pip命令。让PyTorch直接去链接系统安装的CUDA。排查思路3彻底重装。 如果以上无效可以尝试“核武器”方案1) 在虚拟环境中pip uninstall torch torchvision torchaudio。 2) 去控制面板彻底卸载NVIDIA CUDA Toolkit。 3) 重新安装一个与PyTorch官网推荐完全匹配的CUDA Toolkit版本。 4) 重新安装PyTorch。5.2 安装依赖时出现各种包冲突或安装失败问题表现在安装requirements.txt时提示某个包版本不兼容、冲突或者直接安装失败。解决方案不要一次性安装所有包。可以尝试先安装核心包再逐个解决。或者使用“宽松模式”安装忽略版本约束pip install -r requirements.txt --no-deps -i https://pypi.tuna.tsinghua.edu.cn/simple然后手动安装那些报错的包尝试降低或升级其版本例如pip install opencv-python4.5.5.64。5.3 运行detect.py时提示“No module named ‘xxx‘”问题分析这通常是requirements.txt中的某个包没有成功安装。解决方案根据提示的模块名手动安装即可。例如提示“No module named ‘thop‘”则执行pip install thop。提示“No module named ‘PyYAML‘”则执行pip install PyYAML。5.4 检测过程非常慢GPU利用率很低检查GPU是否真的在参与计算运行检测时可以打开任务管理器切换到“性能”选项卡查看GPU的“3D”或“CUDA”利用率是否有明显波动。如果一直是0%或很低可能还是在用CPU跑。确认detect.py命令是否正确确保你的命令中指定的权重文件路径正确并且没有添加--device cpu这样的参数该参数会强制使用CPU。尝试指定GPU设备在命令中明确指定使用哪块GPU如果你有多块例如--device 0。5.5 关于Python版本和Ultralytics包的特别说明YOLOv5的原作者团队后来推出了一个名为ultralytics的包它封装了YOLOv5、YOLOv8等模型提供了更统一的API。如果你通过pip install ultralytics安装了该包你可以用更简单的命令yolo taskdetect modepredict modelyolov5s.pt sourcedata/images来运行检测。但这和直接使用YOLOv5仓库的detect.py是两种方式。对于初学者我建议先从原仓库的detect.py脚本开始这样你能更清楚地看到整个流程和代码结构理解更深刻。等熟悉后再使用ultralytics包来提升开发效率。环境配置是深度学习实践的第一道门槛跨过去就是一片新天地。整个过程最需要的就是耐心和细心尤其是版本匹配环节。一旦配置成功这个环境就是你的“AI实验沙盒”你可以用它来跑官方的模型也可以用来训练自己的数据集探索目标检测的更多可能性。记住遇到问题多搜索搜索时带上关键错误信息多尝试每一个坑踩过去都是宝贵的经验。