目录
一.前言
二.yolov7环境搭建
直接进入正题，环境搭建开始：
Anaconda:
Pycharm:
cuda：
cuda安装：
cudnn：
三.虚拟环境安装
创建虚拟python环境：
Pytorch:
四.总结
一.前言
由于最近博主在参加一个无人机的比赛，需要对障碍物进行识别。所以根据调查考究，决定使用YOLO算法对障碍物进行目标检测，yolo算法的系列非常之多，那么最新的就是前段时间AB大神团队（yolov4的作者）出的yolov7。那么作为零基础深度学习的我，在这半个月探索的过程中可谓是经历了风风雨雨百般挫折，好在最终修成正果。可以说使用yolo进行目标检测的门槛挺高的，如果像博主我这种一开始完全不懂的零基础的小白而言，要搜索将近几百篇博客才可能真正的能够跑通并且使用yolov7进行推理，训练。那么我对接下来要出的yolov7相关博客的主要内容进行一个前言总结：1. 对网上相关博客进行整理归纳总结，真正意义上的帮助零基础小白实现yolov7的推理和训练 2.深度学习环境搭建 3.用python和c++分别实现yolov7 4.常见bug的分析
二.yolov7环境搭建
可以说小白yolov7入门的第一个难题就是深度学习相关环境的搭建，很多人在尝试了几次环境搭建失败之后就选择放弃，也就不了了之了，那么博主毫不夸张的说经历了上百次的失败，最终才成功的。所以在入门yolov7的过程中首先最重要的就是有恒心，每个人的电脑都不一样，所以出现的问题也会不同，要多去尝试，不要轻易放弃。
直接进入正题，环境搭建开始：
b站较好的安装视频教程：https://www.bilibili.com/video/BV1ov41137Z8?spm_id_from=333.337.search-card.all.click&vd_source=b0652e40837b5f6c1f58d67197f17c2f
Anaconda:
安装Anaconda主要是搭建python的虚拟环境，之后我们进行yolov7的detect和train都会在终端进行
下载官网：Anaconda | The World's Most Popular Data Science Platform
选择对应的电脑版本安装：
勾选环境变量：
在安装Anaconda的过程中基本上是没啥坑的，也很少出现安装失败的过程。如果安装失败，可以参考以上的视频链接或者私信我进行讨论。
Pycharm:
pycharm是编译运行python的平台，yolov7的源码基本都是python语言，所以安装pycharm有助于之后打开yolov7相关源码进行分析查看
下载官网：PyCharm：JetBrains为专业开发者提供的Python IDE
进入官网点击下载就ok，下载community就行了
pycharm的安装也不会有什么大问题的，就是正常的安装路径，大概率不会出错。
cuda：
cuda这里我直接标红了，对于第一次安装cuda的小白来说，这会存在非常之多的问题。所以这里我会详细的进行介绍。
cuda是什么：
cuda：CUDA（Compute Unified Device Architecture，统一计算架构[1]）是由英伟达NVIDIA所推出的一种集成技术，是该公司对于GPGPU的正式名称。透过这个技术，用户可利用NVIDIA的GPU进行图像处理之外的运算，亦是首次可以利用GPU作为C-编译器的开发环境。CUDA 开发包（CUDA Toolkit ）只能将自家的CUDA C-语言（对OpenCL只有链接的功能[2]），也就是执行于GPU的部分编译成PTX中间语言或是特定NVIDIA GPU架构的机器代码（NVIDIA 官方称为 "device code"）；而执行于中央处理器部分的C / C++代码（NVIDIA 官方称为 "host code"）仍依赖于外部的编译器，如Microsoft Windows下需要Microsoft Visual Studio；Linux下则主要依赖于GCC
上面是对cuda的介绍，简要来说cuda是我们电脑gpu必要的开发包，我们后面所有的训练推理以及转onnx模型乃至于pytorch的安装都需要cuda与GPU的结合。直白的说，你没有cuda，你的GPU在深度学习中啥也不是，就是个摆设而已。（当然你要是没有GPU，就当我说的都是废话吧）我相信大多数同学的电脑还是带有GPU的，并且毕竟是图像处理，深度学习，在后面我们就会知道GPU推理速度可以是CPU的几十倍，只有使用GPU才能把yolov7的强大表现出来。
cuda安装：
我们先不急着去找cuda官网进行安装，首先我们要先知道自己显卡的属性，我们的显卡支持什么版本的cuda。首先 WIN +R cmd运行：
输入nvidia-smi
然后我们会看到表格的右上角有一个 CUDA Version:11.6 博主我的电脑显卡是RTX 3070，所以最高支持CUDA 11.6版本，所以说如果超过11.6版本的cuda我的电脑是没能力支持的，我只能安装cuda 11.6以下的版本。11.6是当前较新的版，强烈建议：不要安装最新的版本cuda，这样后续其他环境的安装可能就找不到对应的版本，导致重新安装会非常的麻烦 所以我安装的是cuda 11.0版本 如果你的显卡不支持11.0以上版本就安装你相对应能够匹配的版本。
接下来，删掉你电脑里存在的所有nvidia的插件（不要害怕，之后可以下载回来）
打开你的控制面板，卸载程序：
虽然说可以留那么一两个不卸载，但是我觉得能看到我博客的应该都是小白，所以我就不跟你们说那么多了，直接全部卸载，以绝后患。
这里仍然还存在一个问题，也是之后会导致你安装失败并且百思不得其解的bug，就是你的cuda和VS版本的问题，我的建议是如果你的显卡支持11.0以上版本cuda，就先安装vs2019，如果是其它版本的VS直接先卸载重装VS 2019 ，如果你的cuda版本只支持10.2以内，那么你先把VS卸载，并且不要安装，我们先老老实实的安装cuda去。
cuda下载官网：CUDA Toolkit Archive | NVIDIA Developer
选择你要下载的版本：
然后我们进入下载页面后选择local 本地下载，方便如果安装失败，可进行重新安装。
选择同意并继续
如果你是按我说的卸载所有的nvidia插件并且卸载了VS，那么直接精简安装就ok
如果你是第n次安装了，并且装有VS，选择自定义之后，就勾选第一个CUDA就ok，其他都不要勾选，否则非常容易安装失败
点开CUDA， 取消Visual Studio Integeration的勾选，这也是常见的一个安装失败的原因
接下来不要轻易改动默认路径，一般都在c盘
之后一切正常的话就安装成功了
查看环境变量
点击设置-->搜索高级系统设置-->查看环境变量
手动添加以下两个变量
系统会自动生成以下两个变量，如果没有，也请手动添加
接下来我们就要验证验证我们的cuda安装的是否成功了。
同样的win +R cmd进入，输入nvcc -V
如果能看到自己的版本号，就说明基本没有问题了，当然网上还有其他更保险的验证方式，可以到其他博客去看看，有很多，这里就不细说了。接下来我们安装cudnn
cudnn：
下载官网：CUDA Deep Neural Network (cuDNN) | NVIDIA Developer
这里的问题也不大，基本不会有啥错误，进入网址，选择与cuda相对应的cudnn版本进行下载
第一次下载的话，可能需要nvidia的注册，自己就注册一下。然后选择realeases
下载完对应版本的cudnn之后会得到一个文件夹。
复制bin include lib
然后找到我们cuda的默认路径的文件夹，你们的会和我的相同，然后直接将刚刚复制的bin lib include， ctrl v进去就完成了
ok，到现在我们已经把必要的 Anaconda pycharm cuda cudnn都已经安装完成了，外部的这些环境已经安装完毕，我们接下来要终端虚拟环境的安装，也就是yolov7直接需要的终端环境。
三.虚拟环境安装
创建虚拟python环境：
win+R cmd进入终端 输入 conda create -n 环境名 python=X.X
环境名自己取，python版本建议3.7以上，我用的是python 3.8
强调：此刻关掉电脑VPN
创建好自己的虚拟环境之后，通过activate yolo(环境名)进入到指定环境 deactivate退出环境
接下来我们就在创建好的环境下，安装pytorch
Pytorch:
下载官网：PyTorch
到previous中去寻找对应自己cuda版本的pytorch
选择wheel下的pip下载指令，我选择的是对应cuda 11.0的，复制pip指令
进入刚刚创建的环境，然后将指令复制进去，回车下载安装pytorch
强调：关掉电脑的所有VPN
然后就是一系列的安装，我们检查我们的pytorch版本
activate 进入环境之后输入python
进入python命令端后输入import torch
torch.__version__
输出对应型号的时候就说明安装成功了（我cuda是11.0但是我安装pytorch是对应11.3的，其实问题也不大，但是不建议，之后如果要用export转onnx的时候我会再说）
四.总结
至此python版本所需要的外部环境安装都已经准备好了，那么下一篇博客我将会详细的介绍yolov7的推理和训练以及检测