环境准备：Python虚拟环境、PyTorch安装、ONNX Runtime安装、GPU/CUDA配置

做工业缺陷检测模型转换，第一步不是写代码，而是搭环境。我见过太多人上来就 pip install，结果装了一堆冲突的包，最后重装系统。嗯，咱们别走那条路。

这一章，我会带你从零搭一套干净、可复现的环境。说白了，就是给你的项目建一个独立的小房间，互不干扰。

2.1 Python虚拟环境：给你的项目一个独立房间

为什么需要虚拟环境？你想想看，一个项目要 PyTorch 1.13，另一个要 2.0，装在一起肯定打架。虚拟环境就是给每个项目一个独立的 Python 解释器和包目录。

我个人习惯用 conda，因为它不光管 Python 包，还能管 CUDA 和 cuDNN 的版本。当然，venv 也行，但 conda 在 GPU 环境管理上更省心。

2.1.1 安装 Miniconda

去官网下载 Miniconda（Python 3.9+ 版本）。安装时记得勾选「Add to PATH」，省得后面手动配环境变量。

2.1.2 创建虚拟环境

打开终端（Windows 用 Anaconda Prompt），执行：

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

环境名叫 defect_detection，Python 3.9。为什么选 3.9？因为 PyTorch 和 ONNX Runtime 对 3.9 的支持最稳定，我在项目中踩过 3.11 的坑，有些旧版算子不兼容。

2.1.3 验证环境

python --version
# 输出: Python 3.9.x
which python
# 输出: /path/to/miniconda3/envs/defect_detection/bin/python

看到路径里有 envs/defect_detection，说明环境激活成功。

2.2 GPU/CUDA配置：让显卡跑起来

工业缺陷检测模型通常不大，但推理速度要求高。GPU 加速是必须的。我刚开始做的时候，以为装个驱动就行，结果跑模型报错「CUDA not available」——嗯，这里要注意，驱动和 CUDA Toolkit 是两回事。

2.2.1 检查显卡驱动

nvidia-smi

这个命令会显示驱动版本、CUDA 版本（注意是驱动支持的 CUDA 版本，不是已安装的 Toolkit 版本）。

2.2.2 安装 CUDA Toolkit 和 cuDNN

我推荐用 conda 安装，省去手动配置环境变量的麻烦：

conda install cudatoolkit=11.8 cudnn=8.6.0 -c conda-forge

为什么选 11.8？因为 PyTorch 1.13 和 2.0 对 11.8 支持最好，ONNX Runtime 也兼容。如果你用更新的 PyTorch 2.1+，可以选 12.1。

2.2.3 验证 CUDA 可用性

python -c "import torch; print(torch.cuda.is_available())"
# 输出: True

如果输出 False，别慌。检查三件事：驱动版本、CUDA Toolkit 版本、PyTorch 版本是否匹配。我遇到过最坑的一次是装了 CPU 版的 PyTorch，折腾了两小时才发现。

2.3 PyTorch安装：选对版本很重要

PyTorch 的安装命令在官网有生成器，但咱们做工业缺陷检测，有几个要点：

• 稳定版优先：别追最新版，选 LTS 或稳定版。我习惯用 1.13.1 或 2.0.1。
• CUDA 版本匹配：PyTorch 的 CUDA 版本要和上面装的 Toolkit 一致。
• 用 conda 安装：pip 有时会漏装依赖，conda 更可靠。

2.3.1 安装命令

conda install pytorch=1.13.1 torchvision=0.14.1 torchaudio=0.13.1 pytorch-cuda=11.8 -c pytorch -c nvidia

如果你网络慢，可以加 -c https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/ 换清华源。

2.3.2 验证安装

python -c "import torch; print(torch.__version__); print(torch.cuda.get_device_name(0))"
# 输出: 1.13.1
# 输出: NVIDIA GeForce RTX 3060

看到显卡型号，说明 PyTorch 能调用 GPU 了。

2.4 ONNX Runtime安装：推理加速的关键

ONNX Runtime 是微软开源的推理引擎，专门优化 ONNX 模型的执行效率。工业场景下，我们通常用 GPU 版本来跑推理。

2.4.1 安装 ONNX Runtime GPU 版

pip install onnxruntime-gpu==1.15.1

注意：版本号要和你的 CUDA 版本匹配。1.15.1 支持 CUDA 11.8，如果你用 CUDA 12.x，就装 1.16+。

2.4.2 验证安装

python -c "import onnxruntime as ort; print(ort.get_device())"
# 输出: GPU

如果输出 CPU，说明没装 GPU 版，或者 CUDA 路径没配好。检查一下 pip list | findstr onnxruntime，看看是不是装了 onnxruntime（CPU 版）而不是 onnxruntime-gpu。

2.5 知识体系总览

下面这张图，帮你理清整个环境搭建的逻辑关系：

2.6 完整安装清单

最后，给你一份我常用的安装清单，照着执行就行：

环境搭好了，下一步就是准备数据和模型了。记住，环境干净，后面少掉一半的头发。