学习PaddlePaddle--环境配置-PyCharm + Conda

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。

相关推荐
九年义务漏网鲨鱼5 小时前
PyTorch DDP 随机卡死复盘:最后一个 batch 挂起,NCCL 等待不返回
人工智能·pytorch·batch
wan5555cn5 小时前
【警惕】疑似一种新型金融黑灰产骗局大规模爆发
笔记·深度学习·音视频·生活
用户3521802454756 小时前
GraphRAG:让 RAG 更聪明的一种新玩法
人工智能
励志不掉头发的内向程序员6 小时前
从零开始的python学习——列表
开发语言·python·学习
2501_924534516 小时前
济南矩阵跃动完成千万融资!国产GEO工具能否挑战国际巨头?
大数据·人工智能
霍格沃兹_测试6 小时前
Browser Use 浏览器自动化 Agent:让浏览器自动为你工作
人工智能·测试
爱看科技6 小时前
苹果Vision Air蓝图或定档2027,三星/微美全息加速XR+AI核心生态布局卡位
人工智能·xr
JQLvopkk6 小时前
CSS学习及心得之二
css·学习·tensorflow
AI浩6 小时前
【面试题】搜索准确性不高你怎么排查?
人工智能