1. 环境准备从零搭建YOLOv5开发环境在Windows10系统下配置YOLOv5开发环境就像组装一台高性能赛车需要精心挑选每个零部件并确保它们完美配合。我使用Tesla P40 24GB显卡和CUDA10.2的组合已经稳定运行了两年多这套配置特别适合中小规模的目标检测任务。首先需要确认硬件基础配置操作系统Windows10 64位专业版版本1909或更高显卡驱动建议使用NVIDIA官方最新驱动我当前用的是472.12版本存储空间至少预留20GB可用空间用于安装各种工具包提示在开始安装前建议创建一个系统还原点这样遇到问题时可以快速回退到初始状态1.1 安装CUDA Toolkit 10.2CUDA是NVIDIA提供的并行计算平台相当于显卡的操作系统。安装时要注意版本匹配从NVIDIA官网下载CUDA 10.2的Windows本地安装包运行安装程序时选择自定义安装选项确保勾选以下组件CUDA ToolsCUDA SamplesDocumentation安装完成后在命令行验证nvcc --version如果看到类似release 10.2的输出说明安装成功。我遇到过安装后命令不识别的情况通常是因为系统PATH环境变量没有自动更新需要手动添加C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.2\bin到系统环境变量。1.2 配置cuDNN加速库cuDNN是专门为深度学习优化的加速库可以理解为CUDA的性能增强包。配置步骤下载与CUDA10.2匹配的cuDNN版本我使用的是cuDNN 8.0.5解压后将其中的文件复制到CUDA安装目录bin\*→CUDA\v10.2\bininclude\*→CUDA\v10.2\includelib\*→CUDA\v10.2\lib\x64这里有个容易踩的坑cuDNN的压缩包里有多个文件夹层级不要直接复制整个文件夹要进入cuda子目录后再操作。我曾经因为这个问题导致PyTorch无法检测到cuDNN浪费了半天时间排查。2. Python环境配置打造专属工作区2.1 安装Miniconda我强烈推荐使用Miniconda而不是原生Python它能更好地管理不同项目间的依赖隔离。安装时注意下载Python 3.9对应的Miniconda3 Windows 64-bit版本安装时勾选Add to PATH选项安装完成后执行conda init这个命令会初始化conda环境之后每次打开终端都会自动激活base环境。如果遇到权限问题可以尝试以管理员身份运行终端。2.2 配置国内镜像源默认的conda源下载速度很慢更换为清华源能大幅提升效率conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/ conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/ conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge/ conda config --set show_channel_urls yes配置完成后可以通过conda config --show channels查看是否生效。我在实际使用中发现有时候需要手动编辑C:\Users\用户名\.condarc文件删除其中的defaults行才能确保完全使用国内源。3. 创建YOLOv5专用环境3.1 建立虚拟环境运行以下命令创建隔离环境conda create -n yolov5_cuda10.2 python3.9 conda activate yolov5_cuda10.2环境名称yolov5_cuda10.2可以自定义但建议包含关键信息方便识别。这个环境会独立安装在Miniconda3\envs目录下不会影响系统其他Python项目。3.2 安装PyTorch GPU版本这是最关键的一步版本必须严格匹配conda install pytorch1.12.1 torchvision0.13.1 torchaudio0.12.1 cudatoolkit10.2 -c pytorch安装完成后用以下代码验证GPU是否可用import torch print(torch.cuda.is_available()) # 应该输出True print(torch.cuda.get_device_name(0)) # 应该显示Tesla P40如果输出为False八成是CUDA和PyTorch版本不匹配。我收集了几个常见错误报错CUDA driver version is insufficient → 更新显卡驱动报错Torch not compiled with CUDA enabled → 重新安装匹配版本的PyTorch报错Could not load dynamic library → 检查CUDA环境变量配置4. YOLOv5项目部署与测试4.1 获取YOLOv5源码推荐直接从官方仓库克隆最新代码git clone https://github.com/ultralytics/yolov5.git cd yolov5如果网络不稳定也可以下载zip包解压。注意不同版本的YOLOv5对依赖要求可能不同我使用的是v7.0版本。4.2 安装项目依赖使用清华源加速安装pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple常见问题解决方案遇到Could not find a version that satisfies the requirement错误 → 尝试升级pip出现编码错误 → 在Windows区域设置中启用使用Unicode UTF-8提供全球语言支持安装超时 → 添加--default-timeout100参数4.3 运行GPU推理测试下载预训练模型python -c from utils.downloads import attempt_download; attempt_download(yolov5m.pt)执行测试推理python detect.py --weights yolov5m.pt --source data/images/bus.jpg --device 0在Tesla P40上处理一张1080p图片大约需要15-20ms。如果想进一步优化性能可以尝试启用半精度推理添加--half参数调整batch size修改--batch-size参数使用TensorRT加速导出engine文件后推理我在实际项目中发现Tesla P40的24GB显存可以轻松处理batch size32的640x640图像输入这对于大多数工业检测场景已经足够。当处理4K图像时建议将模型切换到yolov5s版本以避免显存溢出。