计算机视觉 / 系统课时
硬件与软件环境选择
硬件与软件环境选择
选择 YOLOv5 环境时,关键不是追求最高配置,而是让数据规模、训练时长、推理目标和预算相匹配。本课将帮助你在本地 CPU、NVIDIA GPU 与云端环境之间做出可执行的选择,并完成基础验证。
学习目标
- 能根据训练规模和部署目标选择 CPU、GPU 或云端方案
- 能识别 YOLOv5 运行所需的基础软件层
- 能通过命令验证 Python、PyTorch 与显卡链路是否可用
先做前置检查
开始安装前,先确认操作系统为 64 位,并检查 Python、Git、磁盘空间和可用内存。计划使用 NVIDIA GPU 时,还要确认显卡驱动能够被系统识别;nvidia-smi 无法执行时,不要继续安装 GPU 版深度学习环境。
CPU 适合代码学习、小样本流程验证和低频推理,但完整训练通常较慢。GPU 主要关注显存容量而不是只看显卡型号,因为输入尺寸、批量大小和模型规模都会占用显存。云端则适合临时训练、多人共享或本地没有合适显卡的情况。
按任务选择运行方案
| 方案 | 适合场景 | 主要限制 | 推荐用法 |
|---|---|---|---|
| 本地 CPU | 学习流程、检查数据、少量图片推理 | 训练时间长 | 先跑通代码与数据格式 |
| 本地 NVIDIA GPU | 持续训练、频繁实验、离线推理 | 受显存和驱动约束 | 作为稳定开发主环境 |
| 云端 GPU | 短期集中训练、弹性扩容、团队协作 | 按时计费、数据上传耗时 | 训练完成后及时释放资源 |

选择时应同时考虑开发和部署。训练可以在云端 GPU 完成,但最终模型若部署到 CPU 或边缘设备,必须提前在目标设备测量真实延迟;训练速度快并不代表部署速度一定满足要求。
认识软件环境分层
一个稳定环境通常包含操作系统、显卡驱动、Python 虚拟环境、PyTorch 和 YOLOv5 项目依赖。显卡驱动负责让操作系统识别硬件,PyTorch 负责张量计算与 GPU 调用,YOLOv5 代码则建立在 PyTorch 之上。
不要把多个项目安装在同一个全局 Python 环境中。每个项目使用独立虚拟环境,并固定依赖版本,可以减少升级某个库后导致其他项目失效的问题。安装 GPU 版 PyTorch 时,应按官方安装选择器匹配当前系统与驱动能力,不要凭记忆拼接安装命令。
搭建最小可运行环境
下面以 Linux 或 macOS 终端为例创建虚拟环境。将 <YOLOV5_REPOSITORY_URL> 替换为课程指定仓库地址;Windows PowerShell 激活命令改为 .venv\Scripts\Activate.ps1。
git clone --quiet <YOLOV5_REPOSITORY_URL> yolov5
cd yolov5
python -m venv .venv
source .venv/bin/activate
python -m pip install --quiet --upgrade pip
python -m pip install --quiet -r requirements.txt
python -c "import torch; available = torch.cuda.is_available(); print('PyTorch=' + torch.__version__); print('CUDA=' + str(available)); print('Device=' + (torch.cuda.get_device_name(0) if available else 'CPU'))"GPU 环境的预期输出形态如下,实际版本号和设备名称可能不同:
PyTorch=<torch-version>
CUDA=True
Device=<NVIDIA-GPU-NAME>CPU 环境的最后两行通常为:
PyTorch=<torch-version>
CUDA=False
Device=CPU依赖安装完成不等于 GPU 已可用。只有 torch.cuda.is_available() 返回 True,并且设备名称与实际显卡一致,才能说明 Python、PyTorch、驱动和硬件链路已经连通。
常见失败与修复顺序
nvidia-smi 不存在或报错时,优先修复驱动,不要反复重装 PyTorch。nvidia-smi 正常但 PyTorch 返回 False 时,检查是否误装 CPU 版 PyTorch、虚拟环境是否激活,以及当前 Python 是否就是安装依赖时使用的解释器。
训练出现显存不足时,先减小批量大小,再考虑降低输入尺寸或选择更小模型。云端环境还要检查数据是否持久化到挂载磁盘;实例释放前应保存权重、日志和评估结果,否则临时磁盘中的文件可能丢失。
本课总结
- CPU、GPU 和云端没有绝对优劣,应根据训练规模、部署目标、预算和维护成本选择
- 稳定环境依赖操作系统、驱动、虚拟环境、PyTorch 与项目依赖逐层配合
- 环境验收以实际命令结果为准,尤其要确认 PyTorch 是否真正识别 GPU
下一课预告
下一课将完成 YOLOv5 项目获取、依赖安装与首次运行,并通过最小推理任务验证整个开发环境。