第2章环境搭建与工具链

第2章：环境搭建与工具链

说实话，每次带新人入门，我最怕的就是环境搭建这一步。明明代码逻辑都懂，结果卡在装包上，一卡就是半天。我自己也踩过不少坑，所以这一章，我带你一步步把环境整利索。

2.1 Anaconda虚拟环境配置

为什么要用虚拟环境？说白了，就是怕项目之间打架。你想想看，项目A要用PyTorch 1.8，项目B要用2.0，要是装在一个环境里，迟早出问题。

我个人习惯用Anaconda来管理环境。安装过程就不啰嗦了，官网下载安装包，一路下一步就行。装完之后，打开终端（Windows用户用Anaconda Prompt），我们来创建第一个虚拟环境：

conda create -n vehicle_detection python=3.8

这里我指定了Python 3.8。为什么是3.8？嗯，我在项目中遇到过，有些老一点的库对3.9以上支持不太好。3.8是个稳妥的选择。

激活环境：

conda activate vehicle_detection

看到命令行前面多了个 (vehicle_detection) 就对了。以后每次做这个项目，记得先激活这个环境。

小技巧： 我习惯在项目根目录放一个 environment.yml 文件，把依赖都写进去。这样换电脑或者分享给同事，一行命令就能复现环境。

2.2 PyTorch / CUDA 安装

这是最让人头疼的一步。为什么？因为PyTorch版本和CUDA版本必须匹配。我曾经因为版本不对，折腾了一整个下午。

先看看你的显卡支持什么版本的CUDA。打开终端，输入：

nvidia-smi

你会看到类似这样的输出：

+-----------------------------------------------------------------------------+
| NVIDIA-SMI 525.85.05    Driver Version: 525.85.05    CUDA Version: 12.0     |
+-----------------------------------------------------------------------------+

注意看右上角的CUDA Version。这个版本号决定了你能装什么版本的PyTorch。

然后去PyTorch官网（pytorch.org），找到对应的安装命令。比如CUDA 12.0，可以装：

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

注意： 别用 conda install 装PyTorch。我试过，有时候会装成CPU版本。用pip更靠谱。

装完之后验证一下：

python -c "import torch; print(torch.cuda.is_available())"

如果输出 True，恭喜你，GPU可以用了。如果是 False，别慌，检查一下CUDA版本和PyTorch版本是否匹配。

2.3 OpenCV 与必要的 Python 库安装

OpenCV是咱们做视觉的必备工具。安装很简单：

pip install opencv-python opencv-contrib-python

这里我装了两个包。 opencv-python 是基础版， opencv-contrib-python 包含了额外模块，比如SIFT、SURF这些特征提取算法。虽然现在深度学习用得多了，但传统方法在某些场景下还是很有用的。

其他常用的库，我列个清单：

库名	用途	安装命令
numpy	数值计算	`pip install numpy`
matplotlib	可视化	`pip install matplotlib`
scikit-learn	机器学习工具	`pip install scikit-learn`
pillow	图像处理	`pip install pillow`
tqdm	进度条显示	`pip install tqdm`
tensorboard	训练可视化	`pip install tensorboard`

你可以一次性装完：

pip install numpy matplotlib scikit-learn pillow tqdm tensorboard

  避坑指南： 我曾经在装OpenCV时遇到 ImportError: libGL.so.1: cannot open shared object file 的错误。这是因为缺少OpenCV的依赖库。Ubuntu用户执行 sudo apt-get install libgl1-mesa-glx 就能解决。

2.4 IDE 推荐（VS Code / PyCharm）

工欲善其事，必先利其器。IDE选对了，能省不少事。

VS Code：轻量、免费、插件丰富。我个人比较喜欢用它做深度学习项目。推荐装这几个插件：

Python（微软官方）
Jupyter（可以在VS Code里跑notebook）
GitLens（看代码历史很方便）
Remote SSH（连服务器开发）

PyCharm：功能更全，但比较重。如果你做大型项目，PyCharm的代码补全和重构功能确实强大。社区版免费，够用了。

怎么选？我的建议是：

新手用PyCharm，开箱即用，不用折腾配置
老手用VS Code，轻便灵活，想怎么配就怎么配

不管用哪个，记得把Python解释器指向我们刚才创建的虚拟环境。在VS Code里按 Ctrl+Shift+P，搜索 Python: Select Interpreter，选 vehicle_detection 那个。PyCharm的话，在Settings里找到Project Interpreter，同样选虚拟环境。

个人习惯： 我一般用VS Code写代码，用PyCharm做代码审查。两个工具各有优势，别死磕一个。

2.5 验证环境

最后，写个简单的脚本验证一下所有东西都装好了：

import torch
import cv2
import numpy as np

print(f"PyTorch版本: {torch.__version__}")
print(f"CUDA可用: {torch.cuda.is_available()}")
print(f"OpenCV版本: {cv2.__version__}")
print(f"NumPy版本: {np.__version__}")

# 测试一下GPU
if torch.cuda.is_available():
    x = torch.randn(3, 3).cuda()
    print("GPU计算测试通过")
else:
    print("GPU不可用，将使用CPU")

跑一下，如果没报错，说明环境搭好了。嗯，这一步虽然简单，但很重要。我见过太多人装完库就直接开干，结果跑模型时才发现某个依赖没装，又回头排查，浪费时间。

📚 课程目录