2. 环境搭建：Anaconda安装、PyTorch安装、CUDA与cuDNN配置、YOLOv9源码下载

环境搭建，说白了就是给你的电脑装上能跑YOLOv9的“工具箱”。很多同学刚开始学目标检测，模型代码还没看，先被各种安装报错劝退了。我刚开始做深度学习那会儿，光配环境就折腾了两天，后来发现其实是有套路的。

这一章，我会带你一步步把环境搭好。你跟着做就行，别急。

2.1 整体流程概览

先看一张图，了解我们这一章要做什么：

YOLOv9 环境搭建流程 Anaconda CUDA Toolkit cuDNN PyTorch YOLOv9 源码下载 💡 安装顺序建议： Anaconda → 显卡驱动 → CUDA → cuDNN → PyTorch → YOLOv9源码

这个顺序是我踩过坑之后总结出来的。尤其是CUDA和PyTorch的版本必须匹配，否则后面训练时会报一些莫名其妙的错。

2.2 Anaconda安装

Anaconda是Python的发行版，自带了很多科学计算包。我个人习惯用Miniconda，轻量一些，但新手直接用Anaconda更省心。

2.2.1 下载与安装

  1. 去Anaconda官网下载对应系统的安装包（Windows/Linux/Mac）。
  2. 双击安装，一路默认即可。
  3. 关键一步：安装过程中勾选“Add Anaconda to my PATH environment variable”。
⚠️ 我曾经遇到过：忘记勾选PATH选项，结果在命令行里死活找不到conda命令。后来手动配环境变量，折腾了半小时。所以这一步千万别跳过。

2.2.2 验证安装

打开终端（Windows用cmd或PowerShell），输入：

conda --version

如果输出版本号，比如 conda 24.1.2，就说明安装成功了。

2.2.3 创建虚拟环境

为什么要用虚拟环境？你想想看，不同项目可能依赖不同版本的PyTorch，混在一起会出问题。我一般每个项目单独建一个环境。

conda create -n yolov9 python=3.9 -y
conda activate yolov9

这里我指定了Python 3.9，YOLOv9官方推荐3.8-3.10，3.9是比较稳妥的选择。

2.3 CUDA与cuDNN配置

CUDA是NVIDIA的并行计算平台，cuDNN是深度神经网络的加速库。说白了，没有它们，你的GPU就是个摆设。

2.3.1 检查显卡驱动

先确认你的电脑有NVIDIA显卡。在终端输入：

nvidia-smi

你会看到类似这样的输出：

项目 示例值
Driver Version 545.84
CUDA Version 12.3
GPU型号 NVIDIA GeForce RTX 4060

注意看CUDA Version这一行，它表示你的驱动支持的最高CUDA版本。比如显示12.3，那你安装CUDA 12.x都没问题。

💡 小技巧：如果nvidia-smi报错，说明你没装驱动或者显卡太老。去NVIDIA官网下载对应驱动，装完重启再试。

2.3.2 安装CUDA Toolkit

去NVIDIA官网下载CUDA Toolkit。版本选择上，我建议选11.8或12.1，这两个版本PyTorch官方支持得最好。

安装步骤（以Windows为例）：

  1. 下载exe安装包，双击运行。
  2. 选择“自定义安装”，只勾选“CUDA”组件（其他组件一般用不到）。
  3. 记住安装路径，默认是 C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.1。

安装完成后，验证一下：

nvcc --version

输出类似 nvcc: NVIDIA (R) Cuda compiler driver 就对了。

2.3.3 配置cuDNN

cuDNN不是安装包，而是压缩包。你需要：

  1. 去NVIDIA官网注册并下载cuDNN（需要登录，免费）。
  2. 选择与CUDA版本匹配的cuDNN版本。
  3. 解压后，把 bin、include、lib 三个文件夹复制到CUDA安装目录下，覆盖同名文件夹。
📌 版本匹配关系：
CUDA版本 推荐cuDNN版本
11.8 8.9.x
12.1 9.0.x

2.4 PyTorch安装

PyTorch的安装是环境搭建中最容易出问题的一环。我见过太多人直接 pip install torch，结果装成了CPU版本，训练慢得让人崩溃。

2.4.1 选择正确的安装命令

去PyTorch官网（pytorch.org），选择你的配置：

  • PyTorch Build：Stable（稳定版）
  • Your OS：Windows/Linux/Mac
  • Package：Pip 或 Conda
  • Compute Platform：CUDA 11.8 或 12.1

官网会生成对应的安装命令。比如：

pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121

或者用conda：

conda install pytorch torchvision torchaudio cudatoolkit=11.8 -c pytorch -c conda-forge
⚠️ 注意：不要用 pip install torch 不加参数，那样默认装CPU版本。我刚开始学的时候犯过这个错，训练一个模型跑了三天三夜，后来发现GPU根本没在工作。

2.4.2 验证PyTorch是否能用GPU

安装完成后，进入Python环境测试：

python
import torch
print(torch.__version__)        # 输出PyTorch版本
print(torch.cuda.is_available()) # 输出True表示GPU可用
print(torch.cuda.device_count()) # GPU数量
print(torch.cuda.get_device_name(0)) # GPU型号

如果 torch.cuda.is_available() 返回 True，恭喜你，环境配好了！

2.5 YOLOv9源码下载

YOLOv9的官方代码托管在GitHub上。我个人习惯用git clone，这样后续更新方便。

2.5.1 克隆源码

git clone https://github.com/WongKinYiu/yolov9.git
cd yolov9

如果网络慢，也可以直接下载ZIP压缩包，解压后进入目录。

2.5.2 安装依赖

YOLOv9项目里有一个 requirements.txt，里面列出了所有需要的Python包：

pip install -r requirements.txt

这里我建议用 pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple，国内镜像源下载速度快很多。

2.5.3 验证环境

下载一个预训练模型试试：

# 下载yolov9-c.pt（约170MB）
wget https://github.com/WongKinYiu/yolov9/releases/download/v0.1/yolov9-c.pt

# 运行检测测试
python detect.py --source data/images/horses.jpg --weights yolov9-c.pt

如果能在 runs/detect/exp 目录下看到检测结果图片，说明整个环境搭建成功了。

💡 避坑指南：如果下载预训练模型时网络超时，可以用迅雷或IDM下载，然后手动放到项目根目录。我曾经在服务器上等了一个小时没下下来，后来用本地下载再上传，两分钟搞定。

2.6 常见问题排查

环境搭建过程中，你可能会遇到这些问题：

问题 原因 解决方案
conda不是内部命令 未添加环境变量 重新安装并勾选PATH选项
torch.cuda.is_available()为False 装了CPU版PyTorch 卸载重装GPU版
nvcc不是内部命令 CUDA未添加到PATH 手动添加环境变量
ImportError: No module named 'torch' 未激活虚拟环境 执行 conda activate yolov9

嗯，到这里环境就全部搭好了。你可能会觉得步骤有点多，但做一遍之后就会发现，其实都是重复劳动。后面训练模型的时候，你会感谢现在认真配环境的自己。

← 上一章 📖 返回目录 下一章 →