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
一只鱼^_3 小时前
牛客周赛 Round 108
数据结构·c++·算法·动态规划·图论·广度优先·推荐算法
京东云开发者4 小时前
DeepSeek冲击(含本地化部署实践)
人工智能
@国境以南,太阳以西4 小时前
基于Grad-CAM(Gradient-weighted Class Activation Mapping)的可解释性分析
人工智能·深度学习
AI人工智能+4 小时前
表格识别技术:通过计算机视觉和OCR,实现非结构化表格向结构化数据的转换,推动数字化转型。
人工智能·计算机视觉·ocr
困鲲鲲4 小时前
Conda 包管理器与环境管理使用指南
conda
小宁爱Python4 小时前
基于 Django+Vue3 的 AI 海报生成平台开发(海报模块专项)
人工智能·python·django
破烂儿4 小时前
基于机器学习的缓存准入策略研究
人工智能·机器学习·缓存
小刘的AI小站4 小时前
leetcode hot100 二叉搜索树
算法·leetcode
自信的小螺丝钉4 小时前
Leetcode 876. 链表的中间结点 快慢指针
算法·leetcode·链表·指针