计算机视觉 / 系统课时

搭建 Python 实验环境

搭建 Python 实验环境

本课完成一套隔离、可验证的 YOLO 实验环境:创建 Python 虚拟环境,安装 PyTorch、Ultralytics、OpenCV 与数据处理依赖,并通过检查脚本确认包导入、张量计算和图像写入都能正常工作。

学习目标

  • 使用虚拟环境隔离 YOLO 项目依赖
  • 安装并识别 CPU 与 GPU 两类 PyTorch 环境
  • 运行检查脚本验证核心组件是否可用

前置检查

本课程建议使用 64 位 Python 3.11。它能兼顾多数科学计算包的兼容性,也便于不同操作系统复现实验。开始前先确认终端中的 Python 来自预期安装位置,而不是系统里另一个旧版本。

Windows 可在 PowerShell 中执行 py -0p 查看已安装解释器;macOS 或 Linux 可执行 which python3。如果设备中存在多个 Python,后续创建虚拟环境时要显式指定 3.11。

创建并激活虚拟环境

在一个空目录中创建项目,然后按当前操作系统执行命令。Windows 使用 PowerShell:

powershell
mkdir yolo-lab
cd yolo-lab
py -3.11 -m venv .venv
.\.venv\Scripts\Activate.ps1
python -m pip install --upgrade pip

预期结果:

text
命令行前出现 (.venv),pip 升级过程以 Successfully installed pip-<VERSION> 结束

macOS 或 Linux 使用 Bash:

bash
mkdir -p yolo-lab
cd yolo-lab
python3.11 -m venv .venv
source .venv/bin/activate
python -m pip install --upgrade pip

预期结果:

text
命令行前出现 (.venv),python 与 pip 均指向当前项目的 .venv 目录

虚拟环境只对当前终端会话生效。重新打开终端后,需要再次执行激活命令。退出环境时执行 deactivate。

安装核心依赖

先安装通用环境依赖。下面的命令适合 CPU 实验,也可在部分平台自动获得可用的 PyTorch 构建:

bash
python -m pip install torch torchvision ultralytics opencv-python numpy pandas matplotlib

预期结果:

text
安装过程结束且没有 ERROR,最后显示 Successfully installed,并列出 torch、ultralytics、opencv-python 等包

如果你使用 NVIDIA GPU,不要随意复制陌生的 CUDA 安装命令。应根据显卡驱动和目标 CUDA 运行时,从 PyTorch 官方安装选择器生成命令,再在已激活的 .venv 中执行。课程入门阶段使用 CPU 也能完成图像读取、模型结构查看和小规模推理。

编写环境检查脚本

在项目根目录创建 check_env.py。脚本不下载模型权重,因此离线状态也能完成基础验证。

python
import cv2
import numpy as np
import torch
import ultralytics
from ultralytics import YOLO

# 用一次张量运算确认 PyTorch 运行时正常
tensor = torch.tensor([[1.0, 2.0], [3.0, 4.0]])
result = tensor.mean().item()

# 生成测试图像,验证 NumPy 与 OpenCV 的数据衔接
image = np.zeros((120, 200, 3), dtype=np.uint8)
cv2.putText(image, "YOLO LAB", (20, 70), cv2.FONT_HERSHEY_SIMPLEX, 0.7, (255, 255, 255), 2)
saved = cv2.imwrite("env_check.png", image)

print(f"torch={torch.__version__}")
print(f"ultralytics={ultralytics.__version__}")
print(f"cuda_available={torch.cuda.is_available()}")
print(f"tensor_mean={result}")
print(f"image_saved={saved}")
print(f"yolo_class={YOLO.__name__}")

执行脚本:

bash
python check_env.py

预期输出:

text
torch=<VERSION>
ultralytics=<VERSION>
cuda_available=<True_OR_False>
tensor_mean=2.5
image_saved=True
yolo_class=YOLO

<VERSION> 会随安装时间变化;没有 NVIDIA GPU 或未安装对应 CUDA 构建时,cuda_available=False 是正常结果。项目目录中还应出现一张写有 YOLO LAB 的 env_check.png。

处理常见失败

PowerShell 若提示禁止运行脚本,可只为当前窗口放宽策略,再重新激活虚拟环境:Set-ExecutionPolicy -Scope Process Bypass。该设置关闭窗口后失效,不会永久修改系统策略。

出现 No module named ultralytics 时,通常是安装和运行使用了不同解释器。先确认终端前有 (.venv),再执行 python -m pip show ultralytics。使用 python -m pip 而不是单独的 pip,可以减少解释器错配。

若 torch.cuda.is_available() 返回 False,先确认电脑确实有受支持的 NVIDIA GPU,再检查驱动、PyTorch 构建和 CUDA 运行时是否匹配。不要把“系统安装了 CUDA Toolkit”直接等同于“当前虚拟环境中的 PyTorch 已支持 CUDA”。

按自己的节奏,确认真正理解。

目录与阅读设置

记录一个想法

搭建 Python 实验环境

0 / 10000 · 笔记保存到账号。未提交的修改会在关闭、离开或刷新后丢失。

登录哪都通