环境搭建与工具链：Python环境配置、PyTorch安装、CUDA与cuDNN设置、常用库安装
说实话，做障碍物检测这几年，我见过太多同学在环境搭建这一步就卡住了。明明代码写对了，结果跑不起来——多半是环境没配好。今天我就把这一整套流程掰开揉碎了讲给你听。
核心要点：环境搭建不是一次性的苦力活，而是你后续调试、排查问题的基本功。配好了，后面省心十倍。
2.1 Python环境配置
我个人习惯用 Anaconda 来管理Python环境。为什么？因为项目多了你就知道，每个项目依赖的包版本可能完全不同。你想想看，一个项目要PyTorch 1.10，另一个要2.0，硬装在一起迟早出问题。
安装步骤其实很简单：
- 去Anaconda官网下载对应系统的安装包（Windows/Linux/Mac）
- 一路默认安装，但记得勾选「Add Anaconda to my PATH」
- 打开终端或Anaconda Prompt，验证安装：
conda --version
然后创建一个专门用于障碍物检测的环境：
conda create -n obstacle_detection python=3.9
conda activate obstacle_detection这里我建议用Python 3.9，别问为什么。3.10以上有些老库兼容性不太好，3.8以下又太旧。3.9是个稳妥的选择，我在好几个项目里都这么配，没出过幺蛾子。
小技巧：创建环境时加上 -y 参数可以跳过确认步骤，比如 conda create -n myenv python=3.9 -y，省得每次都要手打y。
2.2 PyTorch安装
PyTorch是障碍物检测的核心框架。安装前你得先搞清楚一件事：你的电脑有没有NVIDIA显卡？
有显卡 → 装CUDA版本
没显卡 → 装CPU版本
我个人建议，哪怕你暂时没显卡，也先装CPU版本把代码跑通。等后面有GPU了再换，不耽误事。
安装命令很简单，去PyTorch官网（pytorch.org）找到对应的命令。比如我常用的：
# CUDA 11.8 版本（推荐）
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118
# CPU版本
pip install torch torchvision torchaudio验证安装是否成功：
python -c "import torch; print(torch.__version__); print(torch.cuda.is_available())"如果输出 True，恭喜你，GPU可用。如果输出 False，也别慌——可能是驱动没装好，或者你装的是CPU版本。
注意：我曾经遇到过一个问题——装完PyTorch后，torch.cuda.is_available() 一直返回False。查了半天，发现是CUDA驱动版本太旧。所以装PyTorch前，最好先确认一下你的NVIDIA驱动版本。
2.3 CUDA与cuDNN设置
CUDA和cuDNN是什么？说白了，CUDA是NVIDIA的并行计算平台，cuDNN是专门为深度学习优化的加速库。PyTorch底层就是靠它们来调用GPU的。
安装步骤：
- 检查驱动：在终端输入
nvidia-smi，查看驱动版本和支持的CUDA版本 - 下载CUDA：去NVIDIA官网下载对应版本的CUDA Toolkit（我推荐11.8，稳定）
- 安装cuDNN：下载对应CUDA版本的cuDNN，解压后把文件复制到CUDA安装目录
具体来说，cuDNN的安装其实就是复制几个文件：
# 假设cuDNN解压后路径为 ~/Downloads/cudnn-linux-x86_64-8.9.7.29_cuda11-archive
cd ~/Downloads/cudnn-linux-x86_64-8.9.7.29_cuda11-archive
# 复制到CUDA目录
sudo cp include/cudnn*.h /usr/local/cuda/include/
sudo cp lib/libcudnn* /usr/local/cuda/lib64/
sudo chmod a+r /usr/local/cuda/include/cudnn*.h /usr/local/cuda/lib64/libcudnn*验证cuDNN是否安装成功：
cat /usr/local/cuda/include/cudnn_version.h | grep CUDNN_MAJOR -A 2如果输出版本号，就说明装好了。
重要提醒：CUDA版本、cuDNN版本、PyTorch版本三者必须匹配。比如CUDA 11.8搭配cuDNN 8.9，PyTorch也要选对应CUDA 11.8的版本。不匹配的话，程序会直接报错或者默默用CPU跑——后者更坑，因为你可能根本不知道。
2.4 常用库安装
障碍物检测离不开几个基础库：OpenCV（图像处理）、NumPy（数值计算）、Matplotlib（可视化）。安装命令很简单：
pip install opencv-python numpy matplotlib但这里有几个坑，我踩过，你得注意：
- OpenCV：装
opencv-python就够了，别装opencv-contrib-python，除非你真的需要额外模块。后者体积大，而且容易和前者冲突。 - NumPy：PyTorch自带NumPy，但版本可能比较老。建议单独装最新版：
pip install numpy --upgrade - Matplotlib：如果显示中文乱码，需要设置字体。我一般这样处理：
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif'] = ['SimHei'] # 用来正常显示中文标签
plt.rcParams['axes.unicode_minus'] = False # 用来正常显示负号验证所有库是否安装成功：
python -c "import cv2; import numpy as np; import matplotlib; print('All good!')"小建议：把所有依赖写到一个 requirements.txt 文件里，以后换环境直接 pip install -r requirements.txt 一键安装。我每个项目都会这么干，省时省力。
2.5 知识体系总览
下面这张图帮你理清整个环境搭建的脉络：
这张图把整个环境搭建分成了三层：底层是Python和PyTorch，中间是三个常用库，顶层是验证环节。每一步都踩稳了，后面写代码才踏实。
2.6 常见问题与避坑指南
最后，我把自己这些年遇到过的坑总结一下：
| 问题 | 原因 | 解决方法 |
|---|---|---|
| torch.cuda.is_available() 返回 False | 驱动太旧 / 装了CPU版本 / CUDA版本不匹配 | 更新驱动，重装对应CUDA版本的PyTorch |
| OpenCV报错：无法加载图像 | 路径问题 / 图像格式不支持 | 用绝对路径，检查图像是否损坏 |
| Matplotlib中文乱码 | 缺少中文字体 | 设置rcParams字体为SimHei |
| conda创建环境太慢 | 默认源在国外 | 换国内镜像源（清华、阿里云） |
我曾经踩过的一个大坑：有一次我装完所有环境，跑YOLOv5训练，结果发现loss一直不下降。查了两天，最后发现是NumPy版本和PyTorch不兼容，导致数据加载时出了bug。从那以后，我每次装完环境都会先跑一个简单的demo验证一下，比如加载一张图片、做个矩阵运算。别嫌麻烦，这一步能救你命。
好了，环境搭建就讲到这里。配好环境只是第一步，后面我们会真正开始写代码、跑模型。记住一句话：环境配得好，调试没烦恼。