2. 环境搭建：从零开始，把工具箱备齐

说实话，很多同学学 YOLO 卡住的地方不是算法本身，而是环境搭建。我见过太多人花了两三天装环境，最后心态崩了。其实没那么可怕，咱们一步步来。

这一章，我会带你装好 Anaconda、配好 CUDA 和 cuDNN、装 PyTorch，最后把 YOLO 的依赖库搞定。嗯，跟着我的节奏走，半小时内搞定。

YOLO 环境搭建流程 Anaconda 安装 CUDA 安装 cuDNN 配置 PyTorch 安装 YOLO 依赖库 建议顺序：Anaconda → CUDA → cuDNN → PyTorch → YOLO 依赖库，不要跳步

2.1 Anaconda 安装：Python 环境管家

我个人习惯用 Anaconda 来管理 Python 环境。为什么？因为它能让你同时维护多个互不干扰的 Python 环境。你想想看，做 YOLOv5 用一个环境，做 YOLOv8 用另一个环境，互不打架，多省心。

💡 小提示： 下载时选 Anaconda3 最新版（Python 3.9+），别选 Python 2.7 的旧版。我见过有人装了个 Python 2.7 的 Anaconda，折腾半天才发现不兼容。

安装步骤很简单：

  1. 去官网下载 Anaconda3 安装包（Windows 选 .exe，Linux 选 .sh）
  2. 一路默认安装，但记得勾选「Add Anaconda3 to my PATH environment variable」
  3. 装完后打开终端（cmd 或 PowerShell），输入 conda --version 验证
# 验证安装
conda --version
# 输出示例：conda 23.7.4

# 创建 YOLO 专用环境（强烈建议）
conda create -n yolo_env python=3.9
conda activate yolo_env
⚠️ 注意： 我曾经遇到过 conda 激活环境后 pip 还是全局的坑。解决办法：激活环境后，用 which pip 或 where pip 确认路径在环境目录下。

2.2 CUDA 与 cuDNN：GPU 加速的钥匙

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。没有它们，你的 YOLO 训练只能用 CPU 跑，那速度……嗯，你会怀疑人生的。

先确认你的显卡支持 CUDA：

  • NVIDIA 显卡（GTX 900 系列及以上基本都行）
  • 在终端输入 nvidia-smi 查看驱动版本和最高支持的 CUDA 版本
组件 推荐版本 说明
NVIDIA 驱动 ≥ 525.60.13 驱动版本决定 CUDA 上限
CUDA Toolkit 11.8 或 12.1 PyTorch 官方推荐版本
cuDNN 8.9.7 对应 CUDA 版本 需注册 NVIDIA 开发者账号下载

安装步骤：

  1. 从 NVIDIA 官网下载 CUDA Toolkit 11.8（exe/local 安装包）
  2. 双击安装，选「自定义」→ 只勾选「CUDA」组件，别装驱动（避免覆盖）
  3. 下载 cuDNN 压缩包，解压后把 bin、include、lib 文件夹复制到 CUDA 安装目录
  4. 添加环境变量：C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.8\bin
# 验证 CUDA
nvcc --version
# 输出示例：Cuda compilation tools, release 11.8, V11.8.89

# 验证 cuDNN（在 CUDA 安装目录下）
.\bin\cudnn_version.exe
# 输出示例：cuDNN Version 8.9.7
🔑 关键点： CUDA 版本必须与 PyTorch 版本匹配。我建议你装 CUDA 11.8，因为 PyTorch 1.13~2.1 都支持它，兼容性最好。

2.3 PyTorch 安装：深度学习引擎

PyTorch 是 YOLO 的底层框架。装 PyTorch 其实就一行命令，但版本选错会出大问题。我记得有一次帮同事排查，他装了 CPU 版的 PyTorch，训练时 GPU 占用率一直是 0%……

去 PyTorch 官网（pytorch.org）选对应配置：

  • PyTorch Build：Stable（稳定版）
  • Your OS：Windows / Linux / macOS
  • Package：Pip（推荐）
  • Compute Platform：CUDA 11.8
# 激活环境后执行（以 CUDA 11.8 为例）
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118

# 验证 GPU 是否可用
python -c "import torch; print(torch.cuda.is_available())"
# 输出 True 表示成功
💡 小技巧： 如果下载慢，可以加国内镜像源：pip install torch torchvision torchaudio -f https://mirrors.aliyun.com/pytorch-wheels/cu118/

2.4 YOLO 依赖库安装：补齐最后一块拼图

YOLO 项目本身依赖一些常用库，比如 OpenCV、NumPy、Matplotlib、tqdm 等。你想想看，没有 OpenCV 怎么读图片？没有 tqdm 怎么看训练进度条？

我个人习惯用 requirements.txt 批量安装，省事：

# 创建 requirements.txt 文件，内容如下：
opencv-python==4.8.1.78
numpy==1.24.3
matplotlib==3.7.2
tqdm==4.66.1
pillow==10.0.1
pyyaml==6.0.1
seaborn==0.12.2
pandas==2.0.3

# 批量安装
pip install -r requirements.txt

或者直接用 YOLO 官方仓库的 requirements.txt：

# 克隆 YOLOv5 仓库（后续章节会细讲）
git clone https://github.com/ultralytics/yolov5.git
cd yolov5
pip install -r requirements.txt
⚠️ 避坑指南： 我曾经遇到过 OpenCV 版本冲突导致 imshow 报错。解决办法：用 pip install opencv-python==4.8.1.78 固定版本，别装最新版。

2.5 环境验证：确保一切就绪

装完别急着跑，先做个全面体检。我习惯写一个简单的测试脚本：

# test_env.py
import torch
import cv2
import numpy as np

print("PyTorch 版本:", torch.__version__)
print("CUDA 可用:", torch.cuda.is_available())
print("GPU 数量:", torch.cuda.device_count())
if torch.cuda.is_available():
    print("GPU 名称:", torch.cuda.get_device_name(0))
print("OpenCV 版本:", cv2.__version__)
print("NumPy 版本:", np.__version__)

# 跑一个简单的张量运算测试
x = torch.randn(3, 3).cuda()
y = torch.randn(3, 3).cuda()
z = x @ y
print("GPU 计算测试通过:", z.shape)

运行 python test_env.py，如果所有输出都正常，恭喜你，环境搭建完成！

✅ 环境检查清单：
  • conda 环境激活成功
  • nvcc --version 显示 CUDA 11.8
  • cuDNN 版本验证通过
  • torch.cuda.is_available() 返回 True
  • 所有依赖库版本匹配

嗯，到这里环境就全搭好了。你可能会问：「为什么我装 CUDA 12.1 不行？」其实也行，但 PyTorch 对 CUDA 12.1 的支持还在完善中，我建议你跟着主流走，少踩坑。

← 上一章 📖 返回目录 下一章 →