计算机视觉 / 系统课时

安装 Python 与训练框架

安装 Python 与训练框架

本节把 YOLO 训练所需的 Python 环境一次搭好:创建隔离的虚拟环境,安装 PyTorch、Ultralytics 及其依赖,并用实际导入结果确认后续训练命令会落在正确解释器中。

学习目标

  • 创建并激活独立的 Python 虚拟环境
  • 安装 PyTorch、Ultralytics 与常用运行依赖
  • 验证 Python、pip 和训练框架来自同一环境

先创建隔离环境

以下以 Python 3.11 为例。训练项目不要直接把依赖装进系统 Python,否则多个项目升级 PyTorch、NumPy 或 OpenCV 时很容易互相影响。先确认解释器,再创建 .venv。

bash
python --version
python -m venv .venv
source .venv/bin/activate
python -m pip --version

预期结果

text
Python 3.11.<VALUE>
pip <VALUE> from <PATH>/.venv/... (python 3.11)

Windows PowerShell 中创建环境的命令相同,激活时改用 .\.venv\Scripts\Activate.ps1。如果 python 指向了错误版本,应先修正 PATH 或直接使用目标解释器创建虚拟环境。

安装 PyTorch 与 Ultralytics

先升级当前虚拟环境中的 pip,再安装 PyTorch 和 Ultralytics。Ultralytics 官方快速开始当前推荐通过 pip 安装或升级 ultralytics;如果要使用 NVIDIA GPU,应按 PyTorch 官方安装选择器为自己的操作系统和 CUDA 组合选择对应的 PyTorch 安装方式。:contentReference[oaicite:0]{index=0}

bash
python -m pip install --upgrade pip
python -m pip install torch torchvision
python -m pip install -U ultralytics

预期结果

text
pip exits with code 0
torch, torchvision and ultralytics are installed under <PATH>/.venv

这里不需要手工逐个安装 NumPy、Pillow、OpenCV 等 Ultralytics 已声明的普通依赖,pip 会按包元数据解析并安装。若你明确需要 GPU 训练,不要仅凭“安装成功”判断 CUDA 已可用,后续还要检查驱动和 PyTorch 设备识别。

验证安装是否落在当前环境

最容易踩的坑不是“包没装”,而是终端、IDE 和 Notebook 使用了不同 Python。直接打印解释器路径与两个核心包版本,可以快速确认环境是否一致。

bash
python -c "import sys, torch, ultralytics; print(sys.executable); print(torch.__version__); print(ultralytics.__version__)"

预期输出

text
<PATH>/.venv/.../python
<VALUE>
<VALUE>

如果第一行不在 .venv 下,先重新激活虚拟环境;如果出现 ModuleNotFoundError,用当前解释器执行 python -m pip install ...,不要混用另一个 pip。只要解释器路径正确且两个包都能导入,这个训练环境就已经具备进入 GPU 检查和数据训练阶段的基础条件。

按自己的节奏,确认真正理解。

目录与阅读设置

阅读设置

17

记录一个想法

安装 Python 与训练框架

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