第二章：环境搭建——Anaconda安装、CUDA与cuDNN配置、PyTorch安装、YOLO项目克隆与环境配置
说实话，很多同学学YOLO，第一关就卡在了环境搭建上。
我见过太多人，代码写好了，模型选好了，结果一跑就报错。什么CUDA版本不对、PyTorch和显卡驱动不匹配、依赖包冲突……折腾一整天，心态直接崩了。
这一章，我就带你一步步把环境搭好。你跟着我的节奏来，保证一次过。
2.1 Anaconda安装——Python环境的“管家”
为什么要用Anaconda？说白了，它就是帮你管理Python环境和包的。你想想看，做YOLO要用PyTorch，做别的项目可能要用TensorFlow，版本还不一样。如果没有Anaconda，你的电脑会乱成一锅粥。
我个人习惯，每个项目都建一个独立的虚拟环境。这样互不干扰，出问题了删掉重来就行，特别方便。
安装步骤
- 下载安装包：去Anaconda官网（https://www.anaconda.com/）下载对应系统的版本。我建议下载Python 3.9+的版本，太老的版本后面会有兼容问题。
- 安装过程：一路默认就行。但有一个关键点——记得勾选“Add Anaconda to my PATH environment variable”。嗯，这里要注意，如果不勾选，后面在命令行里用conda命令会找不到。
- 验证安装：打开终端（Windows用cmd或PowerShell，Mac/Linux用Terminal），输入：
conda --version如果显示版本号，比如 conda 23.7.4，那就说明安装成功了。
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
conda config --set show_channel_urls yes2.2 CUDA与cuDNN配置——让显卡为你工作
YOLO训练靠的是GPU。没有CUDA，你的显卡就是个摆设。
CUDA是NVIDIA推出的并行计算平台。cuDNN是专门为深度学习优化的加速库。两者缺一不可。
我在项目中遇到过一个问题：CUDA版本装高了，但显卡驱动太老，结果PyTorch死活识别不了GPU。所以，版本匹配非常关键。
第一步：检查你的显卡驱动
打开终端，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 |
+-----------------------------------------------------------------------------+注意看右上角的 CUDA Version。这个数字告诉你，你的驱动最高支持哪个CUDA版本。比如这里是12.0，那你装CUDA 11.8或12.1都没问题，但不能超过12.0。
第二步：安装CUDA
- 去NVIDIA官网（https://developer.nvidia.com/cuda-toolkit-archive）下载对应版本的CUDA Toolkit。
- 我建议选 CUDA 11.8 或 CUDA 12.1。这两个版本对PyTorch的兼容性最好。
- 安装时选择“自定义安装”，只勾选“CUDA”组件，其他如驱动、Visual Studio Integration可以不选。
- 安装完成后，打开终端验证：
nvcc --version如果显示版本信息，说明CUDA安装成功。
第三步：配置cuDNN
cuDNN是NVIDIA的深度学习加速库。你需要去NVIDIA官网注册并下载（免费）。
- 下载对应CUDA版本的cuDNN压缩包。
- 解压后，把里面的
bin、include、lib三个文件夹，复制到CUDA的安装目录下（Windows默认在C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.8）。 - 添加环境变量：把
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.8\bin加到系统的PATH里。
extras\demo_suite，打开终端，运行 deviceQuery.exe。如果看到 PASS，说明一切正常。
2.3 PyTorch安装——深度学习框架的核心
PyTorch是YOLO的“发动机”。没有它，YOLO跑不起来。
安装PyTorch有个原则：版本要和CUDA匹配。你想想看，CUDA是11.8，你装个PyTorch 2.0（默认CUDA 12.1），那肯定报错。
安装命令
去PyTorch官网（https://pytorch.org/get-started/locally/），选择对应的配置：
- PyTorch Build：Stable（稳定版）
- Your OS：根据你的系统选
- Package：Conda（推荐）或Pip
- CUDA：选你安装的版本，比如11.8
然后复制生成的命令，在终端里运行。比如：
conda install pytorch torchvision torchaudio pytorch-cuda=11.8 -c pytorch -c nvidia如果你用pip，命令是：
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118import torch
print(torch.__version__)
print(torch.cuda.is_available()) # 如果返回True，说明GPU可用如果返回 True，恭喜你，环境搭好了！如果返回 False，别慌，检查一下CUDA版本是否匹配，或者驱动是否更新。
2.4 YOLO项目克隆与环境配置——让代码跑起来
环境搭好了，接下来就是把YOLO的代码拉下来。
我推荐用 YOLOv8，它是Ultralytics团队维护的，文档全、社区活跃、代码质量高。当然，YOLOv5、YOLOv7也都可以，但YOLOv8是目前最主流的。
克隆项目
打开终端，进入你想存放项目的目录，然后运行：
git clone https://github.com/ultralytics/ultralytics.git
cd ultralytics如果你没有安装Git，可以去官网下载安装，或者直接下载ZIP压缩包解压。
创建虚拟环境并安装依赖
我个人习惯，每个项目都建一个独立的虚拟环境。这样不会污染全局的Python环境。
conda create -n yolov8 python=3.9
conda activate yolov8
pip install -r requirements.txt注意：requirements.txt 文件里包含了所有依赖包。如果安装过程中有包报错，可以手动安装：
pip install ultralytics
pip install opencv-python
pip install matplotlib
pip install tqdmpycocotools 报错，可以试试：
pip install pycocotools-windows验证环境是否可用
运行一个简单的测试脚本：
from ultralytics import YOLO
model = YOLO('yolov8n.pt') # 加载预训练模型
results = model('https://ultralytics.com/images/bus.jpg') # 测试一张图片
results[0].show() # 显示检测结果如果能看到检测框，说明环境搭建成功！
2.5 总结与避坑指南
环境搭建这一步，说白了就是“版本匹配”四个字。显卡驱动、CUDA、cuDNN、PyTorch，这四个东西的版本必须对齐。任何一个不匹配，都会导致GPU无法使用。
我整理了一个版本对照表，方便你参考：
| PyTorch版本 | CUDA版本 | cuDNN版本 | 推荐显卡驱动 |
|---|---|---|---|
| 1.13.x | 11.6 / 11.7 | 8.5.0 | ≥ 510.39 |
| 2.0.x | 11.7 / 11.8 | 8.7.0 | ≥ 525.60 |
| 2.1.x | 11.8 / 12.1 | 8.9.0 | ≥ 530.30 |
| 2.2.x | 11.8 / 12.1 | 8.9.4 | ≥ 535.54 |
好了，环境搭建就到这里。下一章，我们会正式开始YOLO的数据准备和训练。到时候你会发现，环境搭好了，后面的路就顺了。