环境搭建：Anaconda安装、创建虚拟环境、PyTorch安装（CPU/GPU版本）、CUDA与cuDNN配置、验证环境

说实话，环境搭建是很多人入门深度学习的第一道坎。我见过不少同学，代码写得挺好，结果卡在装包上，一卡就是一整天。嗯，这一章我们就来把这套流程走通，从零搭出一个能跑YOLO的环境。

2.1 为什么用Anaconda？

Anaconda是一个Python发行版，自带包管理工具conda。我个人习惯用conda管理虚拟环境，因为它能隔离不同项目的依赖。你想想看，项目A需要PyTorch 1.10，项目B需要PyTorch 2.0，如果装在同一套Python里，迟早会冲突。用虚拟环境就能各玩各的，互不干扰。

另外，conda还能直接装CUDA相关的包，比pip省心不少。我在项目中遇到过好几次，用pip装PyTorch GPU版时缺了CUDA动态库，换成conda就一次搞定。

2.2 安装Anaconda

去官网下载对应系统的安装包就行。Windows、Linux、macOS都有。安装时注意两点：

• 安装路径不要有中文和空格——我见过有人装在“程序文件”目录下，后面各种报错。
• 安装时勾选“Add Anaconda to my PATH environment variable”（Windows下可选，但勾了方便）。

装完后打开终端（Windows用Anaconda Prompt），输入：

conda --version

如果输出版本号，说明安装成功。我一般还会顺手更新一下conda：

conda update conda

2.3 创建虚拟环境

我们给YOLO单独建一个环境，名字就叫yolo_env，Python版本指定3.8或3.9。为什么选3.8？因为YOLOv5和YOLOv8官方测试时主要用3.8，兼容性最好。

conda create -n yolo_env python=3.8 -y

创建完成后，激活环境：

conda activate yolo_env

你会看到命令行前面多了(yolo_env)字样，说明已经进入虚拟环境了。退出环境用conda deactivate。

2.4 安装PyTorch（CPU/GPU版本）

PyTorch的安装方式取决于你有没有NVIDIA显卡。先确认一下：

• 有NVIDIA显卡：装GPU版，训练速度快10倍以上。
• 没有NVIDIA显卡：装CPU版，能跑但慢，适合调试代码。

去PyTorch官网（pytorch.org）选择对应的配置，它会生成安装命令。我直接给两个常用命令：

GPU版（CUDA 11.8）：

conda install pytorch torchvision torchaudio pytorch-cuda=11.8 -c pytorch -c nvidia -y

CPU版：

conda install pytorch torchvision torchaudio cpuonly -c pytorch -y

安装过程可能需要几分钟，取决于网络。如果下载慢，可以换国内镜像源，比如清华源：

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/

2.5 CUDA与cuDNN配置

GPU版PyTorch需要CUDA和cuDNN。其实用conda安装PyTorch时，它会自动装好配套的CUDA和cuDNN。但如果你想手动控制版本，或者需要单独安装，可以按以下步骤来。

2.5.1 检查显卡驱动

先确认你的NVIDIA驱动支持CUDA。在终端输入：

nvidia-smi

你会看到类似这样的输出：

+-----------------------------------------------------------------------------+
| NVIDIA-SMI 525.105.17   Driver Version: 525.105.17   CUDA Version: 12.0     |
+-----------------------------------------------------------------------------+

注意看CUDA Version，它表示你的驱动最高支持到哪个CUDA版本。比如显示12.0，那你装CUDA 11.8或12.0都可以。

2.5.2 安装CUDA Toolkit

如果conda自动装的CUDA版本不对，或者你想用特定版本，可以手动装。去NVIDIA官网下载CUDA Toolkit 11.8（YOLO常用版本）。安装时选自定义安装，只勾选“CUDA”组件，别装驱动（驱动已经有了）。

装完后设置环境变量（Windows下自动配好了，Linux需要手动加）：

export PATH=/usr/local/cuda-11.8/bin:$PATH
export LD_LIBRARY_PATH=/usr/local/cuda-11.8/lib64:$LD_LIBRARY_PATH

2.5.3 安装cuDNN

cuDNN是NVIDIA的深度学习加速库。下载cuDNN需要注册NVIDIA账号，选对应CUDA 11.8的版本。下载后解压，把里面的文件复制到CUDA安装目录：

# Linux示例
sudo cp cudnn-*-archive/include/cudnn*.h /usr/local/cuda-11.8/include/
sudo cp cudnn-*-archive/lib/libcudnn* /usr/local/cuda-11.8/lib64/
sudo chmod a+r /usr/local/cuda-11.8/include/cudnn*.h /usr/local/cuda-11.8/lib64/libcudnn*

2.6 验证环境

环境装好了，怎么知道能不能用？写几行Python代码验证一下。

激活虚拟环境，进入Python交互模式：

conda activate yolo_env
python

然后逐行输入以下代码：

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

如果输出类似下面这样，说明环境配置成功：

PyTorch版本: 2.0.1
CUDA是否可用: True
CUDA版本: 11.8
cuDNN版本: 8700
显卡数量: 1
显卡名称: NVIDIA GeForce RTX 3060

如果torch.cuda.is_available()返回False，说明GPU没识别到。常见原因：

• 装成了CPU版PyTorch——重新装GPU版。
• CUDA版本不匹配——检查nvidia-smi显示的CUDA版本，装对应的PyTorch。
• 驱动太旧——更新NVIDIA驱动。

2.7 知识结构总览

下面这张图把整个环境搭建的流程串起来了，你可以对照着检查自己走到哪一步了。

2.8 常见问题速查表

问题现象	可能原因	解决方法
conda: command not found	Anaconda未加入PATH	重新安装并勾选“Add to PATH”，或手动添加环境变量
torch.cuda.is_available()返回False	装了CPU版PyTorch，或CUDA版本不匹配	卸载重装GPU版，检查nvidia-smi显示的CUDA版本
安装PyTorch时下载慢	默认源在国外	换清华源或中科大源
导入torch报错DLL load failed	缺少Visual C++运行库（Windows）	安装Visual C++ Redistributable
cuDNN报错cannot open shared object file	cuDNN文件权限或路径问题	检查LD_LIBRARY_PATH，用chmod a+r修复权限

2.9 我的个人建议

环境搭建这件事，一次配好，后面能省很多时间。我自己的习惯是：

• 用conda统一管理，尽量不用pip装PyTorch。
• 每个项目建独立环境，不要所有包都塞在base里。
• 装完后立刻验证，别等到跑训练才发现问题。
• 记录安装命令，下次换电脑或重装系统时直接复制粘贴。

嗯，环境搭好了，后面就可以正式开始玩YOLO了。记住，这一步虽然琐碎，但值得认真对待。我见过太多人因为环境问题浪费大量时间，希望你能一次搞定。