大家都知晓 YOLO 在物体检测与对象识别领域表现优异。然而，它的开发环境搭建却给许多人带来了困扰。并且，这里还存在 CPU 版本与 GPU 版本的差别。今天，我们就来详细地进行讲述。
CPU版开发环境搭建
搭建 CPU 版本开发环境时，第一步是前往官网进行软件下载。当前官网通常默认使用 3.8 版本，然而我们能够创建独立的 conda 环境来安装 3.6 版本。下载完成后的是可执行文件，例如-2020.07–.exe 等，直接双击即可进行安装。在安装过程中，需要注意按照引导进行勾选，尤其是与环境变量相关的部分一定要勾选上。这就如同在构建大厦的地基一样，虽然步骤较为简单，但却极为关键。
另外，在安装某些包或依赖库的时候，可以把它想象成在资源管理器里进行操作。需要确定适合自身情况的版本，如此才能为后续的 YOLO 开发提供稳定的环境。不同的操作可能会创建不同的环境，比如有.3 环境和.5 环境，不过这些环境之间相互不影响，并且切换起来很方便。
搭建 GPU 版本开发环境前需要考虑不少条件。若你的电脑满足一些条件，例如有合适的显卡支持等，便能顺利布置 GPU 加速环境，令人高兴的是，在训练神经网络时可利用 GPU 加速，从而提升速度与流畅度。
要是不满足条件，那就会比较麻烦。像一些旧电脑，其显卡比较旧，就如同我的旧电脑那样。这时就需要先去查看相关的博客介绍，比如有一篇博客能清晰地介绍显卡驱动（CUDA、CUDA 、CUDA 、CUDNN、NCVV 等）。我们或许还需要安装像 445.87 版本这样较新的显卡驱动。要是电脑没有显卡，或者不想使用 GPU 加速，那么就可以直接跳过布置 GPU 加速环境的步骤。
GPU版开发环境的实际搭建
在搭建 GPU 版开发环境时，我们能够通过指定国内软件源，以分析 -i 的方式来进行下载，如此一来，下载速度会比较快。在安装过程中，当遇到选择时，我们应选择 y，然后等待安装完成。之后，需要安装英伟达深度学习软件包 7.6 版本，它下载后会是类似–2020.1.exe 这样的可执行文件，双击该文件后按照默认设置进行安装。在此过程中，要注意一些小细节，比如安装过程中的一些选项一定要仔细操作。
当上面的步骤顺利完成，并且在安装过程中没有出现关于 cudnn 的报错时，就意味着 GPU 加速环境已经布置成功了。在安装依赖库的时候，要记得按照指定的版本进行安装，因为经过测试的都是指定版本的依赖库，这些依赖库比较稳定，不容易出现兼容性等问题。
安装后的检查与效果查看
安装完相关开发环境之后，检查效果是很重要的。可以通过一些命令来查看环境是否安装成功，也可以查看诸如物体/目标检测之实战篇（系统、版本）这样的测试结果。如果想要做特定场景的目标检测，那么当前的这个基础环境是不够的。
这时需要考虑后续的操作，比如要去采购特定场景的数据。接着利用这些数据重新对网络进行训练，其目的是生成稳定且高精度的模型。同时还要保存权重文件，以便后续随时能够拿出来使用。
不同环境的对比与选择
CPU 环境有其自身的优缺点。GPU 环境也有其自身的优缺点。GPU 环境由于具备硬件加速的特性，在进行 YOLO 的物体检测和目标识别工作时，能够达到更快速且更流畅的效果。然而，并非所有的电脑都能够布置 GPU 环境。有些电脑没有显卡，或者其显卡不支持相关操作。
CPU 环境的速度相对较慢，不过它的适用性更广。要是对速度的要求不是特别高，又或者电脑硬件不支持 GPU 的话，那么选择 CPU 环境也是可行的。大家需要依据自己的实际状况来做出选择。
给开发者的小建议
进行物体检测等工作的第一步是掌握好 YOLO 的开发环境搭建。在实际操作里，无论是搭建 CPU 环境还是 GPU 环境，都需仔细依照步骤进行。并且，若遇到困难，不应轻易放弃，像在 GPU 版本中遇到显卡驱动不兼容等问题时，要积极去寻找解决办法。大家对于开发环境的搭建，有什么经验或者疑问？欢迎大家评论点赞分享这篇文章。
