前言
很遗憾的是我的笔记本上没有 NV 的独显，所以不得不在 Windows 的台式机上配置相关环境，但过程并没有太大区别，可以作为参考。
我准备把一块老的机械硬盘，拿去做 Linux 的系统盘！
Window 下的数据集信息配置
在 YOLO入门 2 标注数据集并训练检测 中写过关于数据集的配置方法。
其中需要对数据集信息配置 (.yaml)，由于 Window 和 Linux 的路径写法不同，需要进行重新配置：
path: D:\YOLO\DataSet\UA-DETRAC\SampleTesttrain: - Train\MVI_20011val: - Val\MVI_20062test: - Test\MVI_39311
nc: 1names: ['car']环境测试
如果对环境不清楚的可以运行以下代码进行测试：
# 导入 torch 库import torch# 查看版本print(torch.__version__)# 查看 GPU 是否可用print(torch.cuda.is_available())# 查看 GPU 设备数量print(torch.cuda.device_count())如果 PyTorch 配置正确，并且支持 CUDA：
1.10.1+cu113True1如果环境配置错误或不支持 CUDA：
1.10.1+cpuFalse0配置 CUDA 环境
从 NVIDIA 获取软件的安装包和安装脚本：
不多说明，Nvidia 给的教程很详细，但需要注意，有部分老显卡，例如 XM150 是不支持最新的驱动，需要安装老版本，最好是从最新的驱动一个个试过去。
配置 Pytorch-CUDA
如果是通过如下指令安装的 Pytorch，只能用 CPU 计算：
pip3 install pytorch输入如下指令，安装 Pytorch 的 CUDA 版本：
pip3 install torch==1.10.1+cu113 torchvision==0.11.2+cu113 torchaudio===0.10.1+cu113 -f https://download.pytorch.org/whl/cu113/torch_stable.html安装指令和安装的 CUDA 版本有关，Pytorch 官网会根据系统、CUDA版本等自动生成安装指令。
关于 CUDA 的版本，不要看安装的版本号，例如我获得的 CUDA 安装包的版本是 11.5.1，但 torch 官网根本没有这个版本号，需要看大版本号或者直接安装和 torch 对应的 CUDA 。
最终测试
如果配置没有没有错误，输入如下执行，使用 CUDA 加速：
python3 train.py --weights yolov5s.pt --epoch 100 --data DataSet\UA-DETRAC\SampleTest\SampleTest.yaml --img 320 --nosave --device 0- device DEVICE : cuda device, i.e. 0 or 0,1,2,3 or cpu
如果只有1个 GPU，将 device 参数从 cpu 修改为 0 即可。
报错合集
UserWarning: Distutils was imported before Setuptools.
D:\Python\lib\site-packages\setuptools\distutils_patch.py:25: UserWarning: Distutils was imported before Setuptools. This usage is discouraged and may exhibit undesirable behaviors or errors. Please use Setuptools’ objects directly or at least import Setuptools first. warnings.warn(
这个错误是比较常见的包导入顺序导致的错误，YOLOv5 中 Distuils 比 Setuptools 先导入了。
解决方法是在所有文件中加入 import Setuptools ，但这样过于繁琐，所以参考了网友给的意见1，安装 49.2 以下版本的 setuptools：
But that code must run before importing django in every manage.py file, so it is not easy to disable in my test suite. Another workaround is to install “setuptools<49.2”.
pip3 install "setuptools<49.2"[WinError 1455] 页面文件太小，无法完成操作
参考 Star星屹程序设计2 给出的方案：
方法1：修改虚拟内存
控制面板 >> 所有控制面板项 >> 系统 >> 高级系统设置 >> 高级 >> 性能 >> 高级 >> 更改 >> 自定义大小，修改初始大小和最大值。
只要比当前盘符的剩余空间小就行，如果空间足够可以直接将大小调整为 100GB 都可以。
修改完成并保存后，重启电脑，开始训练。
方法2：修改模型参数
修改 YOLOv5 模型的参数，需要修改的文件在 yolov5-master\utils\datasets.py，需要修改参数 num_workers 为 0 。
如果 num_worker 设为0，意味着每一轮迭代时，dataloader 不再有自主加载数据到RAM这一步骤（因为没有worker了），而是在RAM中找batch，找不到时再加载相应的batch。缺点当然是速度更慢。3
修改这个参数只是会减慢训练性能，并不影响最终模型的性能。
方法3：减小 Batch-Size
如果设置过虚拟内存并修改过参数，到这就是训练集单张非常庞大或 Batch-Size 过大，建议是直接修改 yolo 训练时的 batch-size 参数（YOLOv5 默认是16）：
python train.py --batch-size 8