第一阶段：安装与配置 Python 和 Conda
虽然 PyCharm 可以管理环境，但我们先独立准备好 Conda 环境，这样更清晰可靠。
1. 安装 Miniconda (Python 环境管理)
下载：
•
访问 Miniconda 官网。
•
选择 Miniconda3 Windows 64-bit 安装程序（推荐 Python 3.8 或 3.9 版本）。下载文件如 Miniconda3-py38_23.5.2-0-Windows-x86_64.exe。
安装：
•
双击运行安装程序。
•
重要安装选项：
•
Install for: Just Me (recommended)
•
Destination Folder: 默认即可（如 C:\Users[YourUserName]\Miniconda3）。
•
Advanced Options: 务必勾选两个选项：
•
Add Miniconda3 to my PATH environment variable
•
Register Miniconda3 as my default Python 3.8
•
点击 Install-> Next-> Finish。
验证 Conda 安装：
•
按 Win + R，输入 cmd，打开命令提示符。
•
输入 conda --version并回车。如果显示版本号（如 conda 23.5.2），则安装成功。
•
输入 python --version并回车。应显示对应的 Python 版本（如 Python 3.8.10）。
2. 创建专用的 PaddlePaddle Conda 环境
我们将创建一个纯净的环境，专门用于 PaddlePaddle 项目。
打开 Anaconda Prompt (miniconda3)（在开始菜单中搜索）。
执行以下命令创建环境（假设命名为 paddle_env）：
conda create -n paddle_env python=3.8
激活环境：
conda activate paddle_env
命令行前缀会从 (base)变为 (paddle_env)。
在此环境中安装 PaddlePaddle 和依赖库（请确保仍在 (paddle_env)环境中）：
安装 PaddlePaddle GPU 版本 (CUDA 11.8)
python -m pip install paddlepaddle-gpu==2.5.1.post117 -f https://www.paddlepaddle.org.cn/whl/windows/mkl/avx/stable.html
安装常用数据科学和可视化库
pip install opencv-python matplotlib scikit-learn tqdm pandas
安装 PaddleSeg
pip install paddleseg
验证环境是否装好：
python -c "import paddle; print(paddle.version ); print(paddle.device.is_compiled_with_cuda())"
输出应为 PaddlePaddle 版本号和 True。
第二阶段：安装与配置 PyCharm
1. 下载和安装 PyCharm
下载：
•
访问 JetBrains PyCharm 官网。
•
对于学习和个人使用，强烈推荐 Community(社区版)，它免费且功能足够强大。如果您需要专业版功能，可以下载 Professional并申请学生许可证或试用。
•
下载 Windows 版的 .exe安装程序。
安装：
•
双击运行安装程序。
•
安装选项：
•
Installation Location: 默认路径即可。
•
Installation Options:
•
Create Desktop Shortcut： 勾选（创建桌面快捷方式）。
•
Update PATH variable...: 强烈建议勾选，以便从命令行启动 PyCharm。
•
Update Context Menu: 可选。
•
Create Associations: 建议将 .py文件关联到 PyCharm。
•
点击 Next-> Install-> Finish。
2. 创建新项目并配置解释器
这是最关键的一步，将 PyCharm 和我们之前创建的 Conda 环境连接起来。
启动 PyCharm： 通过桌面快捷方式或开始菜单启动。
创建新项目：
•
点击 New Project。
•
Location: 为您的新项目选择一个存放路径和名称，例如 D:\Projects\MyPaddleSeg。
•
Python Interpreter: New environment using: 默认是 Virtualenv。我们需要修改这个！
•
点击下拉框，选择 Conda Environment。
•
确保 Conda executable 路径正确指向您的 Conda 安装（PyCharm 通常能自动检测到，如 C:\Users[YourUserName]\Miniconda3\Scripts\conda.exe）。如果未自动填充，请手动浏览找到它。
•
勾选 Make available to all projects (可选，但推荐，这样其他项目也能方便地选用这个解释器)。
•
点击 OK。PyCharm 会自动识别出已有的 Conda 环境列表。
•
在 Interpreter下拉列表中，选择我们之前创建好的 paddle_env环境。它的路径通常是 C:\Users[YourUserName]\Miniconda3\envs\paddle_env\python.exe。
•
最终配置如下图所示：
https://resources.jetbrains.com/help/pycharm/img/tutorial/creating_conda_environment.png
点击 Create。PyCharm 会创建项目并加载该 Conda 环境作为项目的解释器。
3. 验证 PyCharm 中的环境
在 PyCharm 主界面右下角，你会看到一个状态栏，这里显示了你当前使用的解释器。它应该显示 : paddle_env (Conda)。点击这里可以随时管理和切换解释器。
在项目中，右键点击项目根目录 -> New-> Python File，创建一个名为 verify_environment.py的文件。
将以下验证代码复制粘贴到文件中：
import paddle
import paddleseg
import cv2
import matplotlib
import sys
print("=" * 50)
print("PyCharm 环境验证报告")
print("=" * 50)
1. 打印所有关键库的版本
print("1. 库版本信息:")
print(f" PaddlePaddle 版本: {paddle.version }")
print(f" PaddleSeg 版本: {paddleseg.version }")
print(f" OpenCV 版本: {cv2.version }")
print(f" Python 版本: {sys.version}")
2. 核心GPU验证
print("\n2. GPU 支持验证:")
cuda_compiled = paddle.device.is_compiled_with_cuda()
cuda_available = paddle.device.cuda.device_count() > 0
print(f" PaddlePaddle 是否由CUDA编译: {cuda_compiled}") # 必须为 True
print(f" 系统是否有可用的GPU: {cuda_available}") # 必须为 True
print(f" 当前使用的设备: {paddle.device.get_device()}") # 必须为 gpu:0
3. 执行一个简单的GPU计算测试
print("\n3. GPU 计算测试:")
if cuda_compiled and cuda_available:
设置设备为GPU
paddle.device.set_device('gpu:0')
创建两个随机张量在GPU上
data = paddle.rand([2, 3], dtype='float32')
result = data * 2
print(f" 计算成功！张量位于: {result.place}")
print(f" 张量值:\n{result.numpy()}")
else:
print(" 警告：无法使用GPU进行计算，请检查CUDA和cuDNN安装。")
print("=" * 50)
print("验证完成！如果上方所有检查项均为True，则环境配置成功！")
print("=" * 50)
运行验证脚本：
•
在代码编辑区内右键点击。
•
选择 Run 'verify_environment'。
•
或者，点击代码编辑器右上角的绿色小三角按钮 ▶运行。
查看结果：
•
PyCharm 底部的 Run 窗口会自动打开并输出结果。
•
成功的输出应该清晰地显示所有检查项均为 True，并且最终在 GPU 上完成了计算。
第三阶段：在 PyCharm 中开始 PaddleSeg 训练
环境配置成功后，您就可以在 PyCharm 的舒适环境中进行开发了。
组织项目结构（推荐）：
•
在项目根目录下创建一些文件夹，例如：
•
data/: 存放数据集（如 images, annotations子文件夹）
•
configs/: 存放 PaddleSeg 的配置文件（.yml）
•
output/: 存放模型训练输出的日志和模型权重
•
src/: 存放自己编写的工具脚本
准备数据和配置文件：
•
从 PaddleSeg 官方 GitHub 下载示例数据集（如 optic_disc_seg）和对应的配置文件（.yml 文件）。
•
将这些文件放入您项目对应的文件夹中。
创建训练脚本：
•
新建一个 Python 文件，例如 train.py。
•
您可以使用 PaddleSeg 提供的高级 API 进行训练，代码非常简单：
from paddleseg.core import train
指定配置文件的路径
config_path = 'configs/quick_start/pp_liteseg_optic_disc_512x512_1k.yml'
开始训练！
train.main(config_path)
运行训练：
•
右键点击 train.py-> Run 'train'。
•
PyCharm 会开始执行训练任务。您可以在 Run窗口中看到详细的训练日志，包括损失、精度、进度条等，就像在命令行中一样。
总结
您现在已经完成了：
基础层：安装了 NVIDIA 驱动、CUDA 和 cuDNN。
环境层：使用 Conda 创建并配置了独立的 Python 环境，并安装了所有必要的库。
工具层：安装并配置了 PyCharm，将其与 Conda 环境成功关联。
验证层：在 PyCharm 中验证了整个环境可以正确调用 GPU 进行深度学习计算。
现在，您的 PyCharm 已经成为一个强大的 PaddlePaddle 深度学习集成开发环境（IDE），您可以高效地编写、调试和运行您的图像分割模型训练代码了。