Conda环境隔离和PyCharm配置,完美同时运行PaddlePaddle和PyTorch

最终目标与架构图​​

我们将建立如下所示的系统,其中PyCharm作为统一的开发界面,灵活调用两个底层独立的计算环境:

​​第一阶段:安装底层驱动与计算平台(只需一次)​​

这是整个系统的基石,只需安装一次,两个环境共享。

​​1. 安装 NVIDIA 显卡驱动​​

​​访问下载页面​​: 打开 NVIDIA 驱动程序下载页面。

​​选择参数​​:

​​产品类型​​: GeForce

​​产品系列​​: GeForce RTX 40 Series

​​产品家族​​: GeForce RTX 4060

​​操作系统​​: Windows 11

​​语言​​: 简体中文

点击 ​​【搜索】​​ -> ​​【下载】​​。

​​安装​​: 运行下载的exe文件,选择 ​​【精简】​​ 安装方式,完成后​​重启电脑​​。

​​验证​​: 按 Win + R,输入 cmd,在打开的命令行中输入 nvidia-smi。如果看到包含您显卡信息的表格,则驱动安装成功。

​​2. 安装 CUDA Toolkit 11.8​​

​​访问归档页​​: 打开 CUDA Toolkit 归档页面。

​​选择版本​​: 找到并点击 ​​CUDA Toolkit 11.8.0​​。

​​选择参数​​:

操作系统: Windows

架构: x86_64

版本: 10

安装程序类型: exe (local)

点击 ​​【Download】​​。

​​安装CUDA​​:

运行安装程序。​​重要:选择【自定义】安装​​。

在组件选择页面:

在 CUDA节点下,​​取消勾选 Visual Studio Integration​​。

在 Driver components节点下,​​检查 Display Driver的版本号。如果比您刚安装的驱动旧,务必取消勾选它!​​ 避免驱动被降级。

使用默认路径安装即可。

​​3. 安装 cuDNN for CUDA 11.x​​

​​访问下载页​​: 打开 cuDNN 下载页面(​​需要注册并登录 NVIDIA 账号​​)。

​​选择版本​​: 下载与 ​​CUDA 11.x​​ 兼容的版本(例如 ​​cuDNN v8.9.5​​)。

​​"安装"cuDNN​​:

下载得到的是一个ZIP压缩包(如 cudnn-windows-x86_64-8.9.5.29_cuda11-archive.zip),将其解压。

打开解压后的文件夹,你会看到 bin, include, lib三个文件夹。

打开您的 CUDA 安装目录(默认:C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.8)。

​​将cuDNN解压文件夹内这三个文件夹中的全部内容,复制到CUDA目录下对应的文件夹中​​(即 bin到 bin,include到 include,lib到 lib\x64)。如果提示需要管理员权限,点击"继续"。

​​4. 安装 Miniconda (Python环境管理)​​

​​下载​​: 访问 Miniconda 官网,下载 ​​Windows 64-bit​​ 安装程序(Python 3.8 或 3.9 版本)。

​​安装​​:

运行安装程序。

​​在 Advanced Options中,务必勾选 Add Miniconda3 to my PATH environment variable​​。这能确保您可以在任何命令行中轻松使用 conda命令。

完成安装。

​​第二阶段:创建两个隔离的Conda环境​​

我们将使用Anaconda Prompt来创建和管理环境。​​请务必依次操作,不要跳过任何步骤。​​

​​1. 创建 PaddlePaddle 专用环境 (paddle_env)​​

​​打开 Anaconda Prompt​​: 在开始菜单中搜索并打开。

​​创建环境​​:

conda create -n paddle_env python=3.8

(询问是否安装包时,输入 y并按回车)

​​激活环境​​:

conda activate paddle_env

(命令行前缀会从 (base)变为 (paddle_env),表示已进入该环境)

​​安装 PaddlePaddle-GPU 和依赖​​:

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 PaddleSeg 图像分割套件和常用库

pip install paddleseg opencv-python matplotlib scikit-learn tqdm

​​验证安装​​:

python -c "import paddle; print('PaddlePaddle版本:', paddle.version ); print('是否支持GPU:', paddle.device.is_compiled_with_cuda()); print('当前设备:', paddle.device.get_device())"

​​成功输出​​: 显示版本号,且最后两行为 True和 gpu:0。

​​2. 创建 PyTorch (YOLO) 专用环境 (torch_env)​​

​​退回基础环境​​:

conda deactivate

(命令行前缀变回 (base))

​​创建新环境​​:

conda create -n torch_env python=3.8

​​激活新环境​​:

conda activate torch_env

(命令行前缀变为 (torch_env),现在与 paddle_env完全隔离)

​​安装 PyTorch (GPU版) 和 YOLO​​:

安装 PyTorch (CUDA 11.8) - 此命令来自PyTorch官网

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

安装 Ultralytics YOLO 库

pip install ultralytics

安装辅助库

pip install opencv-python matplotlib

​​验证安装​​:

python -c "import torch; print('PyTorch版本:', torch.version ); print('CUDA是否可用:', torch.cuda.is_available()); print('GPU名称:', torch.cuda.get_device_name(0))"

​​成功输出​​: 显示版本号,CUDA是否可用: True,并正确识别出您的 ​​NVIDIA GeForce RTX 4060​​。

​​第三阶段:安装和配置 PyCharm​​

​​1. 下载和安装 PyCharm​​

​​访问官网​​: 打开 JetBrains PyCharm 官网。

​​选择版本​​: 下载 ​​Community (社区版)​​,免费且功能足够。

​​安装​​: 运行安装程序。在 Installation Options界面,​​勾选​​:

Add launchers dir to the PATH

Add "Open Folder as Project"

关联 .py文件。

​​2. 配置 PyCharm 项目与环境的关联​​

这是最关键的一步,让PyCharm用不同的环境打开不同的项目。

​​为 PaddlePaddle 创建项目:​​

打开 PyCharm。

点击 File-> New Project...。

在 Location处,设置项目路径,例如 D:\AI\Paddle_Projects。

点击 Python Interpreter右边的下拉框 -> Show All...-> + Add...。

在左侧选择 Conda Environment-> Existing environment。

点击 Interpreter右边的 ...按钮,导航到:

C:\Users[你的用户名]\Miniconda3\envs\paddle_env\python.exe

(或者直接从下拉列表中选择 paddle_env)

​​勾选 Make available to all projects​​。

点击 OK-> OK。回到创建项目窗口,确保解释器显示为 Python 3.8 (paddle_env)。

点击 Create。

​​为 YOLO 创建项目:​​

重复上述步骤。

项目路径设为 D:\AI\YOLO_Projects。

在添加解释器时,选择 torch_env环境下的 python.exe:

C:\Users[你的用户名]\Miniconda3\envs\torch_env\python.exe

​​第四阶段:在PyCharm中开展训练​​

​​在 PaddlePaddle 项目中训练​​

在 Paddle_Projects项目中,右键 -> New-> Python File,创建 train.py

写入示例代码:

from paddleseg.core import train

if name == 'main ':

请替换为您自己的配置文件路径

config_path = 'path/to/your/pp_liteseg_optic_disc_512x512_1k.yml'

train.main(config_path)

右键点击代码 -> Run 'train'。训练日志将输出在PyCharm下方的 Run窗口。

​​在 YOLO 项目中训练​​

在 YOLO_Projects项目中,右键 -> New-> Python File,创建 train.py

写入示例代码:

from ultralytics import YOLO

if name == 'main ':

加载模型

model = YOLO('yolov8s.pt') # 从预训练模型开始

训练模型

results = model.train(

data='path/to/your/data.yaml', # 请替换为您自己的数据yaml路径

epochs=100,

imgsz=640,

batch=16, # RTX4060 8G显存可从16开始尝试

name='my_rtx4060_yolo_train'

)

右键点击代码 -> Run 'train',开始训练。

​​日常使用流程总结​​

​​想用PaddlePaddle​​:

打开PyCharm -> 打开 Paddle_Projects项目 -> 编写代码 -> 运行。

PyCharm会自动使用 paddle_env环境下的所有库。

​​想用YOLO​​:

打开PyCharm -> 打开 YOLO_Projects项目 -> 编写代码 -> 运行。

PyCharm会自动使用 torch_env环境下的所有库。

您再也不需要手动切换环境,所有依赖关系都已被完美隔离和管理。享受您的双框架深度学习之旅吧!

相关推荐
stjiejieto17 小时前
AI 重构实体经济:2025 传统产业转型的实践与启示
人工智能·重构
代码797218 小时前
使用会话存储时,处理存储信息加密问题
深度学习·算法·自动化·散列表·harmonyos
小毕超18 小时前
基于 PyTorch 完全从零手搓 GPT 混合专家 (MOE) 对话模型
pytorch·transformer·moe
Coovally AI模型快速验证18 小时前
华为发布开源超节点架构,以开放战略叩响AI算力生态变局
人工智能·深度学习·神经网络·计算机视觉·华为·架构·开源
CV-杨帆18 小时前
论文阅读:硕士学位论文 2025 面向大语言模型的黑盒对抗性攻击与防御关键技术研究
论文阅读·人工智能·语言模型
berling0018 小时前
【论文阅读 | WACV 2025 | MCOR:通过跨模态信息互补和余弦相似性通道重采样模块增强的多光谱目标检测】
论文阅读·人工智能·目标检测
视觉语言导航18 小时前
地平线机器人具身导航快慢推理新探索!FSR-VLN:基于分层多模态场景图快慢推理的视觉语言导航
人工智能·机器人·具身智能
ygyqinghuan18 小时前
Pytorch 数据处理
人工智能·pytorch·python
mit6.82418 小时前
[code-review] 文件过滤逻辑 | 范围管理器
人工智能·代码复审
字节跳动视频云技术团队18 小时前
字节跳动多媒体实验室联合ISCAS举办第五届神经网络视频编码竞赛
人工智能·云计算·音视频开发