基于VMware虚拟机搭建DAMOYOLO-S开发测试环境想在自己的电脑上跑深度学习模型但又怕搞乱本地环境或者想在一个干净、隔离的系统里做实验用虚拟机是个绝佳的选择。今天我们就来手把手教你如何在VMware虚拟机里从零开始搭建一个能跑DAMOYOLO-S目标检测模型的完整开发测试环境。整个过程就像搭积木我们会一步步来先装好虚拟机系统再配置好Python和深度学习框架最后把DAMOYOLO-S模型跑起来。即使你之前没怎么用过虚拟机跟着这篇教程走也能轻松搞定。1. 准备工作与环境规划在动手之前我们先花几分钟理清思路看看需要准备哪些东西以及怎么规划我们的虚拟环境。首先你得有一台性能还不错的电脑因为虚拟机要占用不少资源。特别是如果你想在虚拟机里用显卡来加速模型训练或推理那对宿主机就是你自己的电脑的显卡和内存要求会更高一些。不过别担心我们先从基础配置开始。你需要准备两样东西VMware Workstation Player这是虚拟化软件用来创建和管理虚拟机。你可以去官网下载免费的个人版安装过程很简单一路“下一步”就行。Ubuntu 系统镜像我们选择Ubuntu 20.04 LTS作为虚拟机的操作系统。LTS是长期支持版本比较稳定社区支持也好。去Ubuntu官网下载桌面版的ISO镜像文件。至于虚拟机的配置我建议至少这么分配CPU给2个或4个核心。内存分配8GB或以上。深度学习很吃内存给少了后面跑模型可能会卡。硬盘40GB以上建议用动态分配的模式这样不会一开始就占满你电脑的硬盘空间。网络选择“桥接模式”或“NAT模式”都可以。桥接模式会让虚拟机像一台独立的电脑一样接入你的局域网获取独立的IPNAT模式则是通过你宿主机的网络上网更简单一些。规划好这些我们就可以开始动手创建虚拟机了。2. 创建并安装Ubuntu虚拟机打开安装好的VMware Workstation Player点击“创建新虚拟机”。2.1 新建虚拟机向导在弹出的向导里我们选择“稍后安装操作系统”这样能更灵活地配置硬件。接着客户机操作系统选择“Linux”版本选择“Ubuntu 64位”。接下来给虚拟机起个名字比如“DAMOYOLO-Dev”然后选择虚拟机文件的存放位置。建议放在一个剩余空间比较大的硬盘分区里。然后就是配置硬件了。处理器数量选1每个处理器的核心数根据你电脑的实际情况选2或4。内存调到8192MB8GB。网络连接先按默认的“NAT模式”来。I/O控制器和磁盘类型都用推荐的默认选项。在创建磁盘的步骤选择“创建新虚拟磁盘”。最大磁盘大小我建议设为80GB然后选择“将虚拟磁盘拆分成多个文件”这样管理和迁移会更方便。完成硬件配置后先别急着启动。我们需要告诉虚拟机从哪里安装系统。2.2 安装Ubuntu系统在VMware主界面选中你刚创建的虚拟机点击“编辑虚拟机设置”。在“硬件”选项卡里找到“CD/DVD (SATA)”。在右侧选择“使用ISO映像文件”然后点击“浏览”找到你之前下载的Ubuntu 20.04的ISO文件。现在可以点击“开启此虚拟机”了。虚拟机会从ISO镜像启动进入Ubuntu的安装界面。安装过程基本都是图形化操作很简单选择语言点击“安装Ubuntu”。键盘布局一般选“英语(美国)”或者“汉语”。在“安装类型”页面直接选“清除整个磁盘并安装Ubuntu”不用担心这只会清除虚拟机的虚拟硬盘不会影响你电脑本身的系统。设置你所在的时区。创建你的用户名、计算机名和密码记住这个密码待会儿登录和安装软件时会用到。接下来就是等待系统自动安装大概需要十几二十分钟。安装完成后重启虚拟机用你设置的用户名和密码登录一个崭新的Ubuntu桌面就出现在你面前了。3. 配置深度学习基础环境系统装好了接下来我们就要在这个干净的Ubuntu里搭建跑深度学习模型所需要的“地基”。3.1 系统更新与基础工具安装首先打开终端快捷键CtrlAltT。我们先更新一下系统的软件包列表并升级已有的软件这是个好习惯。sudo apt update sudo apt upgrade -y更新完成后安装一些我们后续会用到的基础编译工具和软件包sudo apt install -y build-essential cmake git wget curl vim3.2 安装Python与PipUbuntu 20.04默认带了Python 3.8这版本够用了。我们主要需要安装Python的包管理工具pip。sudo apt install -y python3-pip安装完成后可以升级一下pip到最新版并为其设置一个软链接这样我们直接输入pip命令就是调用pip3了。pip3 install --upgrade pip sudo ln -s /usr/bin/pip3 /usr/local/bin/pip验证一下安装python3 --version pip --version3.3 安装CUDA与cuDNN可选但推荐如果你的宿主机有NVIDIA显卡并且你想在虚拟机里使用GPU来加速DAMOYOLO-S那么这一步是关键。这需要你的VMware版本和宿主机系统支持“GPU直通”或“vGPU”技术比如VMware Workstation Pro的“将主机GPU传递给虚拟机”功能。这个配置相对复杂且依赖具体硬件和VMware版本。如果你的环境不支持或暂时不想配置GPU可以跳过此步后续使用CPU运行模型速度会慢很多。这里简要说明支持GPU直通情况下的步骤在虚拟机设置中添加PCI设备选择你的物理显卡。在Ubuntu虚拟机内去NVIDIA官网根据你的显卡驱动和CUDA版本需求下载并安装对应的CUDA Toolkit例如CUDA 11.3和cuDNN库。安装NVIDIA显卡驱动。由于此步骤变数较多且不是本篇核心核心是环境搭建流程我们假设大部分读者先使用CPU环境。如果你想深入研究GPU直通建议查阅VMware官方文档和你的显卡对应教程。3.4 安装PyTorchPyTorch是DAMOYOLO-S依赖的深度学习框架。我们使用pip来安装。访问 PyTorch官网它会根据你的配置给出安装命令。对于没有GPU的CPU环境安装命令类似这样以稳定版为例pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cpu安装完成后在Python里验证一下import torch print(torch.__version__) # 应该能打印出版本号 print(torch.cuda.is_available()) # 如果没有GPU这里会输出False4. 部署与运行DAMOYOLO-S基础环境打好了现在主角DAMOYOLO-S该登场了。我们将从GitHub上获取它的代码并安装依赖最后尝试运行它。4.1 获取项目代码打开终端找一个你喜欢的目录比如在用户主目录下使用git克隆DAMOYOLO的官方仓库。cd ~ git clone https://github.com/tinyvision/DAMO-YOLO.git cd DAMO-YOLO4.2 安装项目依赖进入项目目录后通常会有一个requirements.txt文件里面列出了项目运行所需的所有Python包。我们直接用pip安装它们。pip install -r requirements.txt这个安装过程可能会花点时间因为它会安装像opencv-python,numpy,pycocotools等一系列依赖库。耐心等待完成。4.3 下载预训练模型权重为了快速进行推理测试我们需要下载作者已经训练好的模型权重文件。通常项目的README或configs目录下会说明权重的下载地址。假设我们需要DAMOYOLO-S的权重可能需要从模型发布页面如Model Zoo或通过提供的脚本下载。例如我们可以在项目根目录下创建一个weights文件夹来存放权重。mkdir weights cd weights # 假设权重文件可以通过wget下载链接需替换为实际有效的地址 # wget https://github.com/tinyvision/DAMO-YOLO/releases/download/v1.0/damoyolo_s.pth cd ..注意实际的权重下载链接请以DAMO-YOLO项目官方GitHub仓库的最新说明为准。如果提供了下载脚本直接运行脚本即可。4.4 运行推理测试现在激动人心的时刻到了我们来试试用这个环境跑一下DAMOYOLO-S看看它能不能检测出图片里的物体。项目一般会提供演示脚本。假设我们使用tools/demo.py具体请查看项目文档来进行图片推理。我们需要准备一张测试图片比如test.jpg放在项目目录下。一个典型的运行命令可能长这样参数需要根据项目实际调整python tools/demo.py -f configs/damoyolo_s.py --ckpt weights/damoyolo_s.pth --path test.jpg --conf 0.25 --device cpu解释一下这几个参数-f configs/damoyolo_s.py: 指定模型配置文件。--ckpt weights/damoyolo_s.pth: 指定我们下载的模型权重文件路径。--path test.jpg: 指定要检测的图片路径。--conf 0.25: 设置检测的置信度阈值低于这个分数的框不会被显示。--device cpu: 指定使用CPU进行计算如果你成功配置了GPU这里可以改成cuda。如果一切顺利脚本运行结束后会在当前目录或指定的输出目录生成一张新的图片比如test_vis.jpg上面画出了检测到的物体框和标签。打开看看如果能看到检测结果那么恭喜你整个开发测试环境就成功搭建并运行起来了5. 实用技巧与后续步骤环境跑通了我们再分享几个让虚拟机用起来更顺手的小技巧。5.1 宿主机与虚拟机文件共享在虚拟机和你的电脑之间传文件用VMware的“共享文件夹”功能非常方便。在VMware中先关闭你的Ubuntu虚拟机。右键虚拟机 - 设置 - 选项 - 共享文件夹。选择“总是启用”然后添加一个你电脑上的文件夹作为共享目录。启动Ubuntu共享的文件夹通常会挂载在/mnt/hgfs/目录下。如果没有你可能需要安装VMware Tools现代VMware版本通常已自动集成。5.2 调整虚拟机性能如果你感觉虚拟机有点卡可以尝试分配更多内存在虚拟机设置里增加内存分配不要超过宿主机可用内存的一半。启用3D图形加速在虚拟机设置的“显示器”选项中勾选“加速3D图形”。调整处理器核心数在安全范围内增加处理器核心数量。5.3 探索DAMOYOLO-S的更多功能成功运行推理只是第一步。你可以继续探索训练自己的模型研究项目中的tools/train.py脚本准备自己的数据集如COCO格式尝试在虚拟机上训练一个小模型注意CPU训练非常慢。测试视频或摄像头修改演示脚本的参数尝试对视频文件或摄像头实时流进行目标检测。尝试其他配置DAMO-YOLO项目可能提供了不同大小的模型如Tiny, M, L可以下载对应的权重进行速度和精度对比。整个过程走下来你可能觉得步骤不少但每一步其实都是在解决一个具体的小问题。用虚拟机搭建环境最大的好处就是“隔离”和“可复用”这个环境玩坏了大不了删掉虚拟机重头再来完全不影响你电脑上其他工作。对于学习、测试和调试深度学习项目来说这确实是一个安全又高效的方法。希望这个教程能帮你顺利迈出第一步在这个专属的虚拟沙盒里尽情探索DAMOYOLO-S以及更多AI模型的乐趣吧。获取更多AI镜像想探索更多AI镜像和应用场景访问 CSDN星图镜像广场提供丰富的预置镜像覆盖大模型推理、图像生成、视频生成、模型微调等多个领域支持一键部署。
基于VMware虚拟机搭建DAMOYOLO-S开发测试环境
基于VMware虚拟机搭建DAMOYOLO-S开发测试环境想在自己的电脑上跑深度学习模型但又怕搞乱本地环境或者想在一个干净、隔离的系统里做实验用虚拟机是个绝佳的选择。今天我们就来手把手教你如何在VMware虚拟机里从零开始搭建一个能跑DAMOYOLO-S目标检测模型的完整开发测试环境。整个过程就像搭积木我们会一步步来先装好虚拟机系统再配置好Python和深度学习框架最后把DAMOYOLO-S模型跑起来。即使你之前没怎么用过虚拟机跟着这篇教程走也能轻松搞定。1. 准备工作与环境规划在动手之前我们先花几分钟理清思路看看需要准备哪些东西以及怎么规划我们的虚拟环境。首先你得有一台性能还不错的电脑因为虚拟机要占用不少资源。特别是如果你想在虚拟机里用显卡来加速模型训练或推理那对宿主机就是你自己的电脑的显卡和内存要求会更高一些。不过别担心我们先从基础配置开始。你需要准备两样东西VMware Workstation Player这是虚拟化软件用来创建和管理虚拟机。你可以去官网下载免费的个人版安装过程很简单一路“下一步”就行。Ubuntu 系统镜像我们选择Ubuntu 20.04 LTS作为虚拟机的操作系统。LTS是长期支持版本比较稳定社区支持也好。去Ubuntu官网下载桌面版的ISO镜像文件。至于虚拟机的配置我建议至少这么分配CPU给2个或4个核心。内存分配8GB或以上。深度学习很吃内存给少了后面跑模型可能会卡。硬盘40GB以上建议用动态分配的模式这样不会一开始就占满你电脑的硬盘空间。网络选择“桥接模式”或“NAT模式”都可以。桥接模式会让虚拟机像一台独立的电脑一样接入你的局域网获取独立的IPNAT模式则是通过你宿主机的网络上网更简单一些。规划好这些我们就可以开始动手创建虚拟机了。2. 创建并安装Ubuntu虚拟机打开安装好的VMware Workstation Player点击“创建新虚拟机”。2.1 新建虚拟机向导在弹出的向导里我们选择“稍后安装操作系统”这样能更灵活地配置硬件。接着客户机操作系统选择“Linux”版本选择“Ubuntu 64位”。接下来给虚拟机起个名字比如“DAMOYOLO-Dev”然后选择虚拟机文件的存放位置。建议放在一个剩余空间比较大的硬盘分区里。然后就是配置硬件了。处理器数量选1每个处理器的核心数根据你电脑的实际情况选2或4。内存调到8192MB8GB。网络连接先按默认的“NAT模式”来。I/O控制器和磁盘类型都用推荐的默认选项。在创建磁盘的步骤选择“创建新虚拟磁盘”。最大磁盘大小我建议设为80GB然后选择“将虚拟磁盘拆分成多个文件”这样管理和迁移会更方便。完成硬件配置后先别急着启动。我们需要告诉虚拟机从哪里安装系统。2.2 安装Ubuntu系统在VMware主界面选中你刚创建的虚拟机点击“编辑虚拟机设置”。在“硬件”选项卡里找到“CD/DVD (SATA)”。在右侧选择“使用ISO映像文件”然后点击“浏览”找到你之前下载的Ubuntu 20.04的ISO文件。现在可以点击“开启此虚拟机”了。虚拟机会从ISO镜像启动进入Ubuntu的安装界面。安装过程基本都是图形化操作很简单选择语言点击“安装Ubuntu”。键盘布局一般选“英语(美国)”或者“汉语”。在“安装类型”页面直接选“清除整个磁盘并安装Ubuntu”不用担心这只会清除虚拟机的虚拟硬盘不会影响你电脑本身的系统。设置你所在的时区。创建你的用户名、计算机名和密码记住这个密码待会儿登录和安装软件时会用到。接下来就是等待系统自动安装大概需要十几二十分钟。安装完成后重启虚拟机用你设置的用户名和密码登录一个崭新的Ubuntu桌面就出现在你面前了。3. 配置深度学习基础环境系统装好了接下来我们就要在这个干净的Ubuntu里搭建跑深度学习模型所需要的“地基”。3.1 系统更新与基础工具安装首先打开终端快捷键CtrlAltT。我们先更新一下系统的软件包列表并升级已有的软件这是个好习惯。sudo apt update sudo apt upgrade -y更新完成后安装一些我们后续会用到的基础编译工具和软件包sudo apt install -y build-essential cmake git wget curl vim3.2 安装Python与PipUbuntu 20.04默认带了Python 3.8这版本够用了。我们主要需要安装Python的包管理工具pip。sudo apt install -y python3-pip安装完成后可以升级一下pip到最新版并为其设置一个软链接这样我们直接输入pip命令就是调用pip3了。pip3 install --upgrade pip sudo ln -s /usr/bin/pip3 /usr/local/bin/pip验证一下安装python3 --version pip --version3.3 安装CUDA与cuDNN可选但推荐如果你的宿主机有NVIDIA显卡并且你想在虚拟机里使用GPU来加速DAMOYOLO-S那么这一步是关键。这需要你的VMware版本和宿主机系统支持“GPU直通”或“vGPU”技术比如VMware Workstation Pro的“将主机GPU传递给虚拟机”功能。这个配置相对复杂且依赖具体硬件和VMware版本。如果你的环境不支持或暂时不想配置GPU可以跳过此步后续使用CPU运行模型速度会慢很多。这里简要说明支持GPU直通情况下的步骤在虚拟机设置中添加PCI设备选择你的物理显卡。在Ubuntu虚拟机内去NVIDIA官网根据你的显卡驱动和CUDA版本需求下载并安装对应的CUDA Toolkit例如CUDA 11.3和cuDNN库。安装NVIDIA显卡驱动。由于此步骤变数较多且不是本篇核心核心是环境搭建流程我们假设大部分读者先使用CPU环境。如果你想深入研究GPU直通建议查阅VMware官方文档和你的显卡对应教程。3.4 安装PyTorchPyTorch是DAMOYOLO-S依赖的深度学习框架。我们使用pip来安装。访问 PyTorch官网它会根据你的配置给出安装命令。对于没有GPU的CPU环境安装命令类似这样以稳定版为例pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cpu安装完成后在Python里验证一下import torch print(torch.__version__) # 应该能打印出版本号 print(torch.cuda.is_available()) # 如果没有GPU这里会输出False4. 部署与运行DAMOYOLO-S基础环境打好了现在主角DAMOYOLO-S该登场了。我们将从GitHub上获取它的代码并安装依赖最后尝试运行它。4.1 获取项目代码打开终端找一个你喜欢的目录比如在用户主目录下使用git克隆DAMOYOLO的官方仓库。cd ~ git clone https://github.com/tinyvision/DAMO-YOLO.git cd DAMO-YOLO4.2 安装项目依赖进入项目目录后通常会有一个requirements.txt文件里面列出了项目运行所需的所有Python包。我们直接用pip安装它们。pip install -r requirements.txt这个安装过程可能会花点时间因为它会安装像opencv-python,numpy,pycocotools等一系列依赖库。耐心等待完成。4.3 下载预训练模型权重为了快速进行推理测试我们需要下载作者已经训练好的模型权重文件。通常项目的README或configs目录下会说明权重的下载地址。假设我们需要DAMOYOLO-S的权重可能需要从模型发布页面如Model Zoo或通过提供的脚本下载。例如我们可以在项目根目录下创建一个weights文件夹来存放权重。mkdir weights cd weights # 假设权重文件可以通过wget下载链接需替换为实际有效的地址 # wget https://github.com/tinyvision/DAMO-YOLO/releases/download/v1.0/damoyolo_s.pth cd ..注意实际的权重下载链接请以DAMO-YOLO项目官方GitHub仓库的最新说明为准。如果提供了下载脚本直接运行脚本即可。4.4 运行推理测试现在激动人心的时刻到了我们来试试用这个环境跑一下DAMOYOLO-S看看它能不能检测出图片里的物体。项目一般会提供演示脚本。假设我们使用tools/demo.py具体请查看项目文档来进行图片推理。我们需要准备一张测试图片比如test.jpg放在项目目录下。一个典型的运行命令可能长这样参数需要根据项目实际调整python tools/demo.py -f configs/damoyolo_s.py --ckpt weights/damoyolo_s.pth --path test.jpg --conf 0.25 --device cpu解释一下这几个参数-f configs/damoyolo_s.py: 指定模型配置文件。--ckpt weights/damoyolo_s.pth: 指定我们下载的模型权重文件路径。--path test.jpg: 指定要检测的图片路径。--conf 0.25: 设置检测的置信度阈值低于这个分数的框不会被显示。--device cpu: 指定使用CPU进行计算如果你成功配置了GPU这里可以改成cuda。如果一切顺利脚本运行结束后会在当前目录或指定的输出目录生成一张新的图片比如test_vis.jpg上面画出了检测到的物体框和标签。打开看看如果能看到检测结果那么恭喜你整个开发测试环境就成功搭建并运行起来了5. 实用技巧与后续步骤环境跑通了我们再分享几个让虚拟机用起来更顺手的小技巧。5.1 宿主机与虚拟机文件共享在虚拟机和你的电脑之间传文件用VMware的“共享文件夹”功能非常方便。在VMware中先关闭你的Ubuntu虚拟机。右键虚拟机 - 设置 - 选项 - 共享文件夹。选择“总是启用”然后添加一个你电脑上的文件夹作为共享目录。启动Ubuntu共享的文件夹通常会挂载在/mnt/hgfs/目录下。如果没有你可能需要安装VMware Tools现代VMware版本通常已自动集成。5.2 调整虚拟机性能如果你感觉虚拟机有点卡可以尝试分配更多内存在虚拟机设置里增加内存分配不要超过宿主机可用内存的一半。启用3D图形加速在虚拟机设置的“显示器”选项中勾选“加速3D图形”。调整处理器核心数在安全范围内增加处理器核心数量。5.3 探索DAMOYOLO-S的更多功能成功运行推理只是第一步。你可以继续探索训练自己的模型研究项目中的tools/train.py脚本准备自己的数据集如COCO格式尝试在虚拟机上训练一个小模型注意CPU训练非常慢。测试视频或摄像头修改演示脚本的参数尝试对视频文件或摄像头实时流进行目标检测。尝试其他配置DAMO-YOLO项目可能提供了不同大小的模型如Tiny, M, L可以下载对应的权重进行速度和精度对比。整个过程走下来你可能觉得步骤不少但每一步其实都是在解决一个具体的小问题。用虚拟机搭建环境最大的好处就是“隔离”和“可复用”这个环境玩坏了大不了删掉虚拟机重头再来完全不影响你电脑上其他工作。对于学习、测试和调试深度学习项目来说这确实是一个安全又高效的方法。希望这个教程能帮你顺利迈出第一步在这个专属的虚拟沙盒里尽情探索DAMOYOLO-S以及更多AI模型的乐趣吧。获取更多AI镜像想探索更多AI镜像和应用场景访问 CSDN星图镜像广场提供丰富的预置镜像覆盖大模型推理、图像生成、视频生成、模型微调等多个领域支持一键部署。
