深度学习环境搭建：Anaconda安装、CUDA与cuDNN配置、PyTorch框架安装、验证环境

做工业视觉项目，环境搭建是第一道坎。我见过不少同学，算法写得挺好，结果卡在环境配置上，一折腾就是两三天。说实话，这事没那么玄乎，但确实有几个关键点必须踩对。

这一章，咱们就把深度学习环境从头捋一遍。从Anaconda到CUDA，再到PyTorch，最后验证整个链路通不通。跟着我的节奏来，半小时内搞定。

2.1 为什么需要这套环境？

先搞清楚一件事：我们为什么要装这么多东西？

  • Anaconda：Python的包管理器和虚拟环境工具。说白了，就是让你能同时管理多个项目，每个项目用不同的Python版本和依赖包，互不干扰。
  • CUDA：NVIDIA的并行计算平台。GPU加速全靠它。没有CUDA，你的模型训练会慢到怀疑人生。
  • cuDNN：CUDA的深度神经网络加速库。专门为卷积、池化这些操作做了优化。装上它，训练速度能再快个30%-50%。
  • PyTorch：我们用的深度学习框架。YOLO系列模型基本都是基于PyTorch实现的。

核心逻辑：Anaconda管理Python环境 → CUDA提供GPU计算能力 → cuDNN加速深度学习运算 → PyTorch调用这些底层能力来训练模型。

下面这张图，把整个依赖关系画清楚了。

深度学习环境依赖关系图 YOLO 模型训练 PyTorch 框架 cuDNN 加速库 CUDA 并行计算 NVIDIA GPU Anaconda 负责管理 Python 和包依赖，贯穿整个环境栈

2.2 Anaconda安装

我个人习惯用Miniconda，它比完整版Anaconda轻量很多，只装必要的包。但如果你是新手，直接装Anaconda也行，省心。

2.2.1 下载与安装

  1. 去官网下载对应系统的安装包（Windows/Linux/Mac）。
  2. 双击安装，一路默认选项就行。
  3. 关键一步：安装过程中，勾选"Add Anaconda to my PATH environment variable"。我早期没勾这个，后面每次都要手动激活环境，烦得很。

小技巧：安装完成后，打开终端（Windows用Anaconda Prompt），输入 conda --version，看到版本号就说明装好了。

2.2.2 创建虚拟环境

每个项目最好单独建一个环境。我习惯用Python 3.8，因为PyTorch对它的支持最稳定。

# 创建环境，指定Python版本
conda create -n yolo_env python=3.8

# 激活环境
conda activate yolo_env

# 退出环境
conda deactivate

注意：激活环境后，终端前面会出现 (yolo_env) 字样。如果没看到，说明环境没激活成功，后面装的包都会跑到base环境里。

2.3 CUDA与cuDNN配置

这是最容易出坑的地方。我曾经在项目里因为CUDA版本不匹配，折腾了整整一个下午。你想想看，训练跑不起来，报错信息又看不懂，多崩溃。

2.3.1 检查GPU和驱动

先确认你的电脑有没有NVIDIA显卡，以及驱动版本够不够新。

# 查看GPU信息
nvidia-smi

这个命令会显示GPU型号、驱动版本、CUDA版本。注意看右上角的"CUDA Version"，它表示你的驱动支持的最高CUDA版本。比如显示11.7，那你装CUDA 11.7或更低版本都行。

GPU型号 推荐CUDA版本 备注
RTX 3090/4090 11.8 或 12.1 算力8.6以上，支持最新特性
RTX 2080 Ti 11.3 - 11.8 经典卡，兼容性好
GTX 1080 Ti 10.2 - 11.3 老卡，别装太高版本
Tesla T4 11.8 云端常用，稳定

2.3.2 安装CUDA

去NVIDIA官网下载对应版本的CUDA Toolkit。我建议装11.8，因为PyTorch 2.0对它的支持最成熟。

  1. 选择操作系统和安装包类型（推荐exe本地安装）。
  2. 安装时选"自定义"，只勾选"CUDA"组件，其他不用装。
  3. 安装完成后，打开终端输入 nvcc --version，看到版本号就对了。

避坑指南：我曾经装完CUDA后，nvcc命令找不到。原因是环境变量没配好。手动把 C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.8\bin 加到PATH里就行。

2.3.3 配置cuDNN

cuDNN不需要安装，解压后把文件复制到CUDA目录就行。

  1. 去NVIDIA官网下载cuDNN（需要注册账号）。选择与CUDA 11.8匹配的版本。
  2. 解压后得到三个文件夹：bin、include、lib。
  3. 把它们复制到CUDA安装目录（比如 C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.8）。

验证方法：进入 C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.8\extras\demo_suite，打开终端运行 bandwidthTest.exe。看到"Result = PASS"就说明cuDNN配置成功了。

2.4 PyTorch框架安装

PyTorch安装其实是最简单的一步。关键是要选对版本和安装方式。

2.4.1 选择版本

去PyTorch官网（pytorch.org），选择对应的配置：

  • PyTorch Build：Stable（稳定版）
  • Your OS：根据你的系统选
  • Package：Pip（推荐）
  • CUDA：11.8（跟你前面装的一致）

官网会生成一条安装命令，类似这样：

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

注意：千万别用 conda install 装PyTorch。我试过，conda源里的PyTorch版本经常滞后，而且容易跟pip包冲突。用pip装最干净。

2.4.2 安装过程

激活你的虚拟环境，然后执行上面的命令。PyTorch大概1-2GB，下载需要几分钟。如果网速慢，可以加个国内镜像：

pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118 -i https://pypi.tuna.tsinghua.edu.cn/simple

2.5 验证环境

装完别急着跑。先写几行代码，确认整个链路是通的。

2.5.1 验证PyTorch和CUDA

import torch

# 查看PyTorch版本
print("PyTorch版本:", torch.__version__)

# 查看CUDA是否可用
print("CUDA是否可用:", torch.cuda.is_available())

# 查看CUDA版本
print("CUDA版本:", torch.version.cuda)

# 查看GPU数量
print("GPU数量:", torch.cuda.device_count())

# 查看GPU名称
if torch.cuda.is_available():
    print("GPU名称:", torch.cuda.get_device_name(0))

如果输出类似下面这样，说明环境没问题：

PyTorch版本: 2.0.1+cu118
CUDA是否可用: True
CUDA版本: 11.8
GPU数量: 1
GPU名称: NVIDIA GeForce RTX 3090

2.5.2 跑一个简单的张量运算

import torch

# 在GPU上创建两个张量
a = torch.randn(1000, 1000).cuda()
b = torch.randn(1000, 1000).cuda()

# 矩阵乘法
c = torch.mm(a, b)

print("张量运算成功，结果形状:", c.shape)

验证通过的标准：torch.cuda.is_available() 返回 True，并且GPU上的张量运算能正常执行。如果返回 False，检查CUDA版本是否匹配，或者驱动是否更新。

2.5.3 常见问题排查

问题 原因 解决方法
CUDA不可用 驱动版本太低或CUDA没装对 更新驱动，重装CUDA
PyTorch找不到GPU PyTorch版本与CUDA不匹配 卸载重装对应版本的PyTorch
cuDNN报错 cuDNN文件没复制对位置 检查bin/include/lib是否在CUDA目录下
内存不足 GPU显存不够 减小batch size，或者换大显存显卡

我的经验：如果遇到"CUDA out of memory"错误，别慌。先看看是不是有其他程序占用了显存。用 nvidia-smi 查看，把没用的进程杀掉就行。

环境搭好了，后面就可以正式开始YOLO的实战了。记住，环境配置是基础，基础打牢了，后面才能跑得稳。嗯，这一章就到这儿。

← 上一章 📖 返回目录 下一章 →