第2章环境准备

第二章：环境准备——Python、CUDA、Docker与Git

各位同学好，我是你们的老朋友。今天咱们来聊聊部署自动标注模型前，最基础也最容易踩坑的一步——环境准备。

说实话，我见过太多人模型写得漂亮，结果卡在环境配置上。有一次我在客户现场，对方工程师折腾了两天装不上CUDA，最后发现是显卡驱动版本不对。嗯，这种事儿咱们今天必须避免。

2.1 Python环境：你的第一把瑞士军刀

Python版本怎么选？我个人习惯用3.8或3.10。为什么？3.8稳定，兼容性好；3.10新特性多，性能也有提升。但千万别用3.12——很多标注库还没适配。

核心原则：项目用什么版本，你就用什么版本。别追求最新。

我建议用conda管理环境。为什么？你想想看，一个项目要PyTorch 1.13，另一个要2.0，用conda可以轻松隔离。

# 创建环境
conda create -n auto_label python=3.10

# 激活环境
conda activate auto_label

# 安装基础包
pip install numpy opencv-python pillow matplotlib

小技巧：我习惯在项目根目录放一个requirements.txt，记录所有依赖。这样换机器时一行命令就能复现环境。

2.2 CUDA与cuDNN：让显卡真正干活

CUDA是什么？说白了就是NVIDIA给显卡写的“翻译官”。你的代码说人话，显卡听不懂，CUDA负责翻译成显卡能执行的指令。

cuDNN呢？它是CUDA的加速包，专门优化深度学习里的卷积、池化这些操作。没有它，训练速度能慢3-5倍。

版本匹配是个大坑。我曾经在项目里用了CUDA 11.8，结果PyTorch只支持到11.7，折腾了半天才发现。所以记住：

PyTorch版本	推荐CUDA版本	推荐cuDNN版本
1.13.x	11.7 / 11.8	8.5 / 8.6
2.0.x	11.8 / 12.1	8.7 / 8.9
2.1.x	12.1	8.9

避坑指南：我曾经在服务器上装了CUDA 12.0，结果发现某些标注库只支持到11.8。最后只能重装系统。所以——先查项目文档，再装CUDA。

安装步骤其实很简单：

去NVIDIA官网下载对应版本的CUDA Toolkit
运行安装程序，选择自定义安装
只勾选CUDA核心组件，别装驱动（除非你确定需要）
下载cuDNN，解压后把文件复制到CUDA安装目录

# 验证CUDA安装
nvcc --version

# 验证cuDNN
cat /usr/local/cuda/include/cudnn_version.h | grep CUDNN_MAJOR -A 2

2.3 Docker基础：一次构建，到处运行

Docker这东西，说白了就是个轻量级虚拟机。但它比虚拟机快得多，因为它共享宿主机的内核。

我为什么推荐用Docker？因为环境一致性。你在本地跑得好好的，部署到服务器上就报错——这种事儿我遇到过不下十次。用Docker，打包整个环境，到哪都能跑。

基础命令其实就几个：

# 拉取镜像
docker pull nvidia/cuda:11.8.0-cudnn8-devel-ubuntu20.04

# 查看本地镜像
docker images

# 运行容器
docker run -it --gpus all -v /path/to/data:/data nvidia/cuda:11.8.0-cudnn8-devel-ubuntu20.04 /bin/bash

# 退出容器
exit

个人经验：我习惯把Dockerfile放在项目根目录，这样团队其他人拉下来就能直接构建。记得加--gpus all参数，不然容器里用不了显卡。

写一个简单的Dockerfile：

FROM nvidia/cuda:11.8.0-cudnn8-devel-ubuntu20.04

RUN apt-get update && apt-get install -y \
    python3.10 \
    python3-pip \
    git

WORKDIR /app
COPY requirements.txt .
RUN pip install -r requirements.txt

COPY . .

CMD ["python3", "run.py"]

2.4 Git与代码仓库管理

Git这东西，说实话，刚开始用的时候我也觉得麻烦。但后来发现，没有它，项目根本没法协作。

我建议的流程是这样的：

在GitHub/GitLab上创建仓库
本地初始化并关联远程仓库
每次修改前先pull，避免冲突
提交时写清楚commit message

# 初始化
git init
git remote add origin https://github.com/yourname/auto-label.git

# 日常操作
git pull origin main
git add .
git commit -m "feat: 添加数据预处理模块"
git push origin main

重要：千万别把数据集、模型权重这些大文件提交到Git仓库。用.gitignore排除它们。

我习惯用分支管理：main分支放稳定版本，dev分支放开发中的代码，feature分支放新功能。这样出了问题也不会影响主线。

# 创建分支
git checkout -b feature/data-augmentation

# 合并分支
git checkout dev
git merge feature/data-augmentation

避坑指南：我曾经在合并分支时没注意冲突，结果把别人的代码覆盖了。从那以后，我每次合并前都会先git diff看看改了啥。

知识体系总览

下面这张图，是我自己画的。它把本章的知识点串起来了，你一看就明白它们之间的关系。

📚 课程目录

第二章：环境准备——Python、CUDA、Docker与Git

2.1 Python环境：你的第一把瑞士军刀

2.2 CUDA与cuDNN：让显卡真正干活

2.3 Docker基础：一次构建，到处运行

2.4 Git与代码仓库管理

知识体系总览