2. 环境搭建

说实话，工业缺陷检测这个方向，环境搭不好，后面全是坑。

我见过太多人，代码写得挺溜，一跑就报错。最后发现，CUDA 版本不对，或者 PyTorch 和 cuDNN 没配上。白白浪费一整天。

这一章，咱们就把这事彻底搞定。我的原则是：一次配好，用到毕业。

核心目标：搭建一套稳定的深度学习开发环境，确保 YOLO 模型能在 GPU 上正常训练和推理。

2.1 整体架构：先看一张图

在动手之前，我建议你先搞清楚这些组件之间的关系。说白了，就是一层叠一层：

深度学习环境分层架构 应用层：YOLOv8 / 缺陷检测代码 深度学习框架：PyTorch GPU加速层：CUDA + cuDNN CUDA Toolkit 12.x GPU驱动：NVIDIA Driver 硬件：NVIDIA GPU (RTX 30/40系列) 版本匹配关键 Driver ≥ CUDA CUDA ≥ cuDNN PyTorch 匹配 CUDA 版本 Anaconda 隔离

你看，从硬件到代码，每一层都得对上。尤其是 CUDA 版本，PyTorch 和 cuDNN 都依赖它。我习惯先查 PyTorch 官网，看它支持哪个 CUDA，再倒着装。

2.2 第一步：安装 Anaconda

Anaconda 这东西，说白了就是个 Python 环境管家。我强烈建议你用 Miniconda，轻量、干净，不装一堆你用不上的包。

2.2.1 下载与安装

  1. 去 清华镜像站 下载 Miniconda（别去官网，慢得要命）。
  2. 选 Python 3.10 或 3.11 版本。
  3. 安装时，勾选 "Add to PATH"，省得后面麻烦。
我的习惯：安装路径不要有中文和空格。我一般放在 C:\miniconda3 或 D:\miniconda3。

2.2.2 配置国内镜像源

这一步很多人忽略，结果装包慢到怀疑人生。直接上命令：

# 添加清华镜像源
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --set show_channel_urls yes

# 设置 pip 镜像（这个也很重要）
pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple

2.2.3 创建虚拟环境

我每个项目都建独立环境，互不干扰。工业项目尤其如此，依赖冲突太常见了。

# 创建环境，指定 Python 3.10
conda create -n yolo_env python=3.10 -y

# 激活环境
conda activate yolo_env
注意：每次打开新终端，记得先 conda activate yolo_env。我曾经因为忘了激活环境，在 base 里装了一堆包，最后环境乱成一锅粥。

2.3 第二步：安装 NVIDIA 驱动与 CUDA

GPU 加速是 YOLO 训练的关键。没有 CUDA，你的显卡就是个摆设。

2.3.1 检查显卡驱动

先看看你的驱动版本够不够新：

# Windows 下
nvidia-smi

这个命令会显示驱动版本和最高支持的 CUDA 版本。比如显示 CUDA Version: 12.4，说明你的驱动最高能支持 CUDA 12.4。

关键点：驱动版本 必须 ≥ 你要安装的 CUDA 版本。如果驱动太老，去 NVIDIA 官网更新。

2.3.2 安装 CUDA Toolkit

我推荐安装 CUDA 11.8 或 CUDA 12.1。这两个版本 PyTorch 官方支持最好。

  1. 去 NVIDIA 官网下载 CUDA Toolkit。
  2. 选 exe (local) 版本，安装更稳定。
  3. 安装时选 自定义，只勾选 "CUDA" 组件，别装全家桶。

装完后验证：

nvcc --version

看到版本号，说明 CUDA 装好了。

2.3.3 安装 cuDNN

cuDNN 是 CUDA 的加速库，专门优化深度学习计算。说白了，就是让卷积跑得更快。

  1. 去 NVIDIA 官网下载 cuDNN（需要注册账号）。
  2. 选对应 CUDA 11.x 或 12.x 的版本。
  3. 解压后，把 bin、include、lib 三个文件夹复制到 CUDA 安装目录（默认 C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.1）。
避坑指南：我曾经直接把 cuDNN 文件扔进系统盘，结果版本搞混了。后来我统一放到 CUDA 目录下，一个版本对应一套 cuDNN，清爽多了。

2.4 第三步：安装 PyTorch

这一步最讲究版本匹配。我的原则是：去 PyTorch 官网，选对 CUDA 版本，复制命令直接装。

2.4.1 选择正确的安装命令

假设你装了 CUDA 11.8：

# CUDA 11.8 版本
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118

如果装了 CUDA 12.1：

# CUDA 12.1 版本
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121
千万别用 conda 装 PyTorch。conda 的 PyTorch 包经常版本滞后，而且容易和 pip 冲突。我统一用 pip 装，干净利落。

2.4.2 验证 PyTorch 和 CUDA

装完后，跑一段验证代码：

import torch
print("PyTorch 版本:", torch.__version__)
print("CUDA 是否可用:", torch.cuda.is_available())
print("CUDA 版本:", torch.version.cuda)
print("cuDNN 版本:", torch.backends.cudnn.version())
print("GPU 数量:", torch.cuda.device_count())
print("GPU 名称:", torch.cuda.get_device_name(0))

如果输出 CUDA 是否可用: True，恭喜你，环境搭好了。

常见问题：如果 torch.cuda.is_available() 返回 False，99% 是 PyTorch 版本和 CUDA 版本不匹配。卸载重装，别纠结。

2.5 版本对照表

为了方便你对照，我整理了一张表。这是我多次踩坑后总结出来的：

组件 推荐版本 说明
Python 3.10 兼容性最好，YOLOv8 官方推荐
CUDA Toolkit 11.8 或 12.1 PyTorch 官方支持最稳定
cuDNN 8.9.x (for CUDA 11.x)
9.x (for CUDA 12.x)		 必须匹配 CUDA 大版本
PyTorch 2.x (对应 CUDA 11.8/12.1) 用 pip 安装，别用 conda
NVIDIA Driver ≥ 525 (for CUDA 12.x) 用 nvidia-smi 检查

2.6 完整验证流程

环境搭完，我习惯跑一个完整的验证脚本。确保所有组件都能协同工作：

import torch
import torchvision
import time

# 1. 检查版本
print(f"PyTorch: {torch.__version__}")
print(f"Torchvision: {torchvision.__version__}")
print(f"CUDA Available: {torch.cuda.is_available()}")

# 2. 创建测试张量
x = torch.randn(1000, 1000).cuda()
y = torch.randn(1000, 1000).cuda()

# 3. 跑一次矩阵乘法，验证 GPU 计算
start = time.time()
z = torch.mm(x, y)
torch.cuda.synchronize()
end = time.time()

print(f"GPU 矩阵乘法耗时: {end - start:.4f} 秒")
print("环境验证通过！")
我的习惯：每次新建项目，我都会先跑一遍这个脚本。确保环境没被污染。工业项目一跑就是几天，环境出问题代价太大了。

2.7 常见问题与解决

  • nvidia-smi 找不到：驱动没装好，去 NVIDIA 官网重装驱动。
  • nvcc 找不到：CUDA 没加到 PATH。手动添加 C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.1\bin 到系统环境变量。
  • torch.cuda.is_available() 返回 False：PyTorch 版本和 CUDA 不匹配。卸载 PyTorch，用官网命令重装。
  • cuDNN 加载失败：cuDNN 文件没放对位置。检查 C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.1\bin 下有没有 cudnn64_*.dll。
最后提醒一句：别在 base 环境里装东西。每个项目建一个独立环境，这是工业级开发的底线。我见过太多人因为环境冲突，重装系统三次。

好了，环境搭好了。下一件事，就是让 YOLO 跑起来，看看我们的缺陷检测模型到底有多强。

← 上一章 📖 返回目录 下一章 →