| 序号 | 名称 |
|---|---|
| 1 | 第一章 项目背景与实现思路 【农村人居环境整治】 |
| 2 | 第二章 Anaconda+Pycharm+Yolov8开发环境搭建与检测验证 |
| 3 | 第三章 AI垃圾监测识别系统【系统实施方案+数据集制作+模型训练】 |
| 4 | 第四章 AI垃圾监测识别系统【模型导出+模型使用+系统展现】 |
| 5 | 第五章 持续更新 |
| ` |
训练样例数据+工具+源码
第二章 Anaconda+Pycharm+Yolov8开发环境搭建与检测验证
在我们的操作流程中，PyCharm 和 Anaconda 的下载与安装过程相对简洁流畅，操作难度较低。对于那些已经顺利完成这两项安装任务的同学，你们可以直接绕过这一基础步骤，快速切入到后续更为关键的环节当中。而接下来，ultralytics 代码运行环境的搭建与配置将成为我们整个流程中的核心要点与关键任务，其配置的准确性和完整性将直接影响到后续代码的高效运行和项目的顺利推进。
文章目录
一、PyCharm下载安装
1.PyCharm是什么
PyCharm是一种Python IDE（Integrated Development Environment，集成开发环境），带有一整套可以帮助用户在使用Python语言开发时提高其效率的工具，比如调试、语法高亮、项目管理、代码跳转、智能提示、自动完成、单元测试、版本控制。此外，该IDE提供了一些高级功能，以用于支持Django框架下的专业Web开发。
2.PyCharm下载
下载地址：https://www.jetbrains.com/pycharm/
3.PyCharm安装
在完成安装后，用户可获得为期 30 天的试用期，以便充分体验其各项功能。网络世界浩瀚无垠，若你执意探索软件破解之道，或许能通过搜索引擎发现不少相关教程，然而此行为的合法性与潜在风险需你自行斟酌与权衡，在此我们不提供具体指引，一切后果由个人承担。
二、Anaconda下载安装
1.Anaconda是什么
Anaconda，中文大蟒蛇，是一个专为开发者和数据分析师设计的Python发行版本。作为一个功能强大且实用的数据科学平台，Anaconda集成了众多常用的数据科学工具和库，为数据分析、机器学习和科学计算提供了便捷的开发环境
2.Anaconda下载
下载地址：https://www.anaconda.com/download
3.Anaconda安装
4.Anaconda配置环境变量
还记得第二部分中的anaconda安装位置么？我的位置是d:\anaconda3。
d:\anaconda3
d:\anaconda3\Scripts
d:\anaconda3\Library\lib
d:\anaconda3\Library\mingw-w64\bin
具体步骤
（1）windows搜索栏输入设置找到系统设置点击
（2）windows设置 搜索栏输入 环境变量
（3）打开环境变量设置 把上面的路径一一添加进去
三、PyCharm 和 Anaconda环境配置
（1） 打开项目–找到右上角的齿轮按钮–点击setting进入设置
（2）python环境的选择
至此，PyCharm 和 Anaconda 的安装和环境配置环节顺利收官，系统已成功具备运行相关程序所需的基础环境条件，能够支持后续的各类操作流畅开展。
四、Ultralytics代码下载及运行环境配置
1.Ultralytics是什么
Ultralytics是一个开源的计算机视觉和深度学习框架，旨在简化训练、评估和部署视觉模型的过程。该框架提供了一系列流行的视觉模型，包括YOLOv5、YOLOv4、YOLOv3、YOLOv3-tiny、YOLOv5-tiny、EfficientDet、PAN、PP-YOLO等，并提供了训练、评估和推理的工具和实用程序。
2.Ultralytics代码下载
代码下载地址：https://github.com/ultralytics/ultralytics
（1）启动 PyCharm 开发工具，我们将通过克隆代码仓库的方式获取所需代码（当然，在此过程中，您也可以选择直接下载代码的压缩包，即 zip 文件，随后解压，并使用 PyCharm 打开相应的工程目录，两种方式均可达成代码获取的目的，您可根据实际情况自行选择）。
4.Ultralytics运行环境配置
在日常的代码编写与运行实践中，我们常常会面临各种各样的代码运行环境需求。由于不同的项目可能依赖于特定版本的库文件、不同的 Python 解释器版本或者其他特定的环境配置，频繁地在各种复杂且相互冲突的环境要求之间进行切换和适配，给我们的开发工作带来了极大的不便，不仅耗费大量的时间和精力，还容易因环境配置不当导致代码运行出错，严重影响开发效率。
而 Anaconda 这一强大的工具则为我们提供了一种高效且便捷的解决方案。它具备创建多个相互独立的 Python 环境的能力，通过这种方式，我们能够针对每一个特定的项目，为其量身定制一个专属的运行环境，精确安装该项目所依赖的各种库和工具，并且确保这些环境之间完全隔离，互不干扰。如此一来，当我们在运行不同项目的代码时，无需再担心因环境差异而引发的冲突问题，每个项目都能在其独立且稳定的环境中顺畅运行，极大地提高了我们的开发效率和代码运行的稳定性，让我们能够更加专注于代码的编写和功能的实现，为项目的顺利推进提供了有力的支持。
（1）了解conda 常用命令
conda --version # 查询 conda 版本
conda update conda # 更新 conda
conda info #查看conda环境详细信息
conda env list #查看当前有哪些虚拟环境
conda create --name jupyter_venv python=3.8 #创建一个新的虚拟环境
conda activate jupyter_venv #激活虚拟环境
conda deactivate #退出当前虚拟环境
conda remove -n your_env_name --all 其中，-n与--name等价，表示虚拟环境名 #删除某个虚拟环境
conda create --name new_env_name --clone old_env_name #复制某个虚拟环境
相关命令数量繁多，难以逐一详尽罗列。倘若你对这些命令抱有浓厚兴趣，且渴望深入了解其具体用途和使用方法，建议你通过浏览权威技术论坛或者参考官方文档等途径，自行展开深入的学习与探索，以便更全面、细致地掌握这些命令的精髓和应用技巧，从而满足你的求知欲和实际使用需求。
（2）具体创建步骤：
依据 Ultralytics 的官方说明文档所示，其运行要求为 Python 版本不低于 3.8，同时依赖于 PyTorch 版本不低于 1.8。鉴于此，我们首先着手创建一个 Python 3.11 的独立运行环境，以此为后续的操作搭建一个稳定且适配的基础平台，确保能够满足 Ultralytics 的运行条件。
第一步，打开PyCharm工具Terminal依次执行下列命令
conda create --name YOLO-GPU python=3.11 #创建虚拟python 3.11环境 起名为YOLO-GPU
conda activate YOLO-GPU # 切换至YOLO-GPU环境
conda env list #查看虚拟环境列表
最终看到YOLO-GPU环境激活即可，注意：接下来的所有操作都在YOLO-GPU环境下完成
第二步，安装PyTorch
PyTorch是一个开源的深度学习框架，由Facebook的人工智能研究团队（FAIR）开发并在2016年发布。它是基于Torch的Python版本，专为GPU加速的深度神经网络编程而设计。PyTorch以其动态计算图、易用性和灵活性而受到广泛欢迎，尤其在科研领域中占有重要地位。在 PyTorch 的众多版本中，存在着 GPU 版本和 CPU 版本以供我们选择。考虑到项目在实际运行过程中的效率需求，尤其是在处理大规模数据和复杂模型训练时，GPU 凭借其强大的并行计算能力能够显著加快计算速度，从而大幅缩短运行时间，提高整体的工作效率。因此，综合权衡之下，我们果断选择 PyTorch 的 GPU 版本，以便在后续的操作流程中，为我们节省宝贵的时间资源，确保项目能够更加高效、流畅地推进，更快地达成预期的目标和效果。（当然也可以选择CPU，没有显卡的同学只能选择CPU版将就一下了）
首先我们看看 PyTorch GPU 版的一些先决条件：
硬件要求：
显卡：必须具有 NVIDIA 品牌的显卡，因为 PyTorch GPU 版主要依赖 NVIDIA 的 CUDA 技术来实现 GPU 加速。其他品牌的显卡如 Intel、AMD 等通常不直接支持 PyTorch GPU 版，除非有特定的兼容方案或包装，但这些情况相对较少且可能存在性能和兼容性问题。
显存：所需的显存大小取决于具体的模型和数据规模。一般来说，对于较为复杂的深度学习模型，如大型的卷积神经网络（CNN）或循环神经网络（RNN）及其变体，建议至少具有 4GB 甚至更高的显存。例如，训练一个中等规模的图像分类模型，如 ResNet-50，在处理常见的图像数据集时，如果批量大小设置为 32，可能需要 4GB - 6GB 左右的显存来避免出现显存不足的错误 。
软件要求：
操作系统：PyTorch GPU 版支持多种操作系统，常见的如 Windows、Linux 和 macOS 等。不同操作系统的安装步骤和注意事项略有不同。例如，在 Windows 系统上安装时，需要注意系统版本与 CUDA、PyTorch 版本的兼容性；在 Linux 系统上安装时，可能需要根据不同的 Linux 发行版进行相应的配置和依赖安装 。
CUDA：CUDA 是 NVIDIA 推出的用于自家 GPU 的并行计算框架，PyTorch GPU 版需要与特定版本的 CUDA 相匹配。一般来说，需要先安装 CUDA Toolkit。在安装前，需确认显卡所支持的 CUDA 版本，可通过命令nvidia-smi查看显卡驱动版本及所支持的最高 CUDA 版本，也可在 NVIDIA 控制面板 - 系统信息 - 组件中查看 。不同的 PyTorch 版本对 CUDA 的版本要求不同，如 PyTorch 2.0.0 可能要求 CUDA 11.8 等，需根据具体要安装的 PyTorch 版本来选择合适的 CUDA 版本进行安装.
cuDNN：cuDNN 是构筑在 CUDA 之上的深度学习相关的工具库，它对 GPU 进行了深度神经网络相关的优化，能够显著提高深度学习模型在 GPU 上的运行效率。安装 cuDNN 时，需根据已安装的 CUDA 版本选择对应的 cuDNN 版本进行下载和安装，通常需要将 cuDNN 文件中的对应文件夹下的所有文件复制到对应的 CUDA 安装目录中，并进行相应的环境变量配置等操作。
前提—，查看是否有NVIDIV英伟达显卡
前提二，查看电脑的显卡驱动版本
若已成功达成上述两项条件，便可顺利推进后续流程；反之，若未满足条件，则需自行仔细排查可能存在的问题根源。值得注意的是，在互联网上存在着丰富多样的相关教程资源可供参考借鉴，这些教程能够为解决问题提供不同的思路和方法，助力您迅速定位并解决所面临的问题，从而为后续的工作开展铺平道路，确保整个项目流程得以稳步、高效地持续推进，避免因条件不满足而导致的停滞或错误情况发生，保障工作的顺利进行和目标的圆满达成。
接下来就可以安装pytorch了
官网地址：https://pytorch.org/
注意：在YOLO-GPU环境下执行pytorch安装命令
conda install pytorch torchvision torchaudio pytorch-cuda=11.8 -c pytorch -c nvidia
测试pytorch gpu是否可用：（torch.cuda.is_available() 为True则GPU可用，False表示不可用）
打开PyCharm工具Terminal 输入pyrhon 依次执行下列语句。
import torch
print(torch.__version__)
print(torch.version.cuda)
print(torch.cuda.is_available()) #输出为True，则安装无误
第三步，安装Ultralytics依赖包
根据项目文档执行即可
pip install ultralytics
第四步，检测验证
我们直接执行项目文档中的cli命令来验证是否成功，打开PyCharm工具Terminal 执行文档中的命令。
yolo predict model=yolo11n.pt source='data/bus.jpg' #我的source路径在data/bus.jpg 官方路径有可能下载不到图片
截至目前，我们所搭建的开发环境已经调试完毕，各项参数和组件均已处于正常且稳定的运行状态，能够为后续的项目开发工作提供坚实可靠的基础支撑。接下来，我们将紧密围绕项目的实际需求，有条不紊地按照既定步骤，逐步深入学习并精准实现每一个功能模块，确保项目能够顺利推进，最终达成预期的目标，交付高质量的成果，为整个项目的成功实施筑牢根基，开启高效开发的新篇章。
五、总结
在本章当中，我们已经对项目开发环境搭建的完整流程进行了简要的阐述与讲解。通过一步步的操作指引，为大家呈现出搭建这一开发环境所需的各个关键环节以及相应步骤。
不过，由于实际操作过程中可能会受到诸多因素影响，大家或许会遇到各种各样的问题。倘若碰到此类情况，还望各位能够凭借自身的能力以及借助网络上丰富的资源去自行探寻解决办法。
需要着重强调的是，我们整体内容的重点是落在后续章节当中的，后续将会围绕项目的核心功能、关键业务逻辑以及具体的实现细节等更为重要的方面展开深入讲解，那里有着更多值得大家去学习、探究以及掌握的知识点，希望大家能够将更多的精力聚焦在后续内容之上，以更好地理解和把握整个项目的全貌。