yolov5CUDA14调用GPU

### 配置YOLOv5以在CUDA 14环境中正确调用GPU

#### 环境准备
为了确保YOLOv5能够在配备有CUDA 14的环境中顺利运行并充分利用GPU资源，在开始之前需确认已安装合适的Python版本（建议3.8以上），并且已经成功设置了CUDA 14及相关驱动程序[^2]。

#### 安装依赖库
通过`pip`命令来安装必要的软件包，特别是PyTorch及其对应的CUDA版本。对于CUDA 14来说，应该选择与之兼容的PyTorch版本：

pip install torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu110

注意这里选择了cu110作为索引URL，这是因为目前并没有官方针对CUDA 14发布的特定版本；因此推荐使用接近且向下兼容的版本如上述所示。

#### 下载YOLOv5仓库
克隆官方GitHub上的YOLOv5项目至本地计算机上，并进入该项目目录下继续后续操作：

git clone https://github.com/ultralytics/yolov5.git
cd yolov5

#### 修改配置文件支持CUDA 14
由于YOLOv5默认可能并未完全适配最新的CUDA版本，所以需要手动调整部分设置使其能够识别并利用现有的硬件设施。主要涉及修改`requirements.txt`中的某些项以及检查是否存在任何显式的CUDA版本约束条件。

#### 测试GPU可用性
完成上述准备工作之后，可以通过执行如下简单的测试脚本来验证当前环境是否可以正常访问GPU设备：

import torch

if __name__ == '__main__':
    device = 'cuda' if torch.cuda.is_available() else 'cpu'
    print(f'Device used: {device}')
    
    # 尝试创建张量并在选定设备上分配内存空间
    tensor_on_gpu = torch.ones((2, 3), dtype=torch.float32).to(device)
    print(tensor_on_gpu)

如果一切正常，则会看到输出显示正在使用的设备为`cuda`而非`cpu`，同时也证明了可以在指定位置创建Tensor对象而不会抛出异常。

#### 开始训练或推理过程
当所有前期工作都完成后，就可以按照常规流程来进行模型训练或是基于预训练权重做预测分析了。只需保证每次启动任务前均指定了正确的计算平台即可——即优先考虑GPU而不是CPU处理单元。