Anaconda 搭建纯净 YOLO 训练环境（RTX3090 + Python3.10 + GPU+Ultralytics 版）

Anaconda 搭建纯净 YOLO 训练环境（RTX3090 + Python3.10 + GPU 版）操作文档

一、环境基础信息

组件	版本 / 配置	说明
显卡	NVIDIA RTX3090	24G 显存，支持 CUDA 11.8
Python	3.10	Anaconda 虚拟环境专属版本，避免系统环境冲突
PyTorch	2.0.0+cu118	GPU 版，适配 CUDA11.8，无 fbgemm.dll 依赖，稳定性强
Ultralytics	8.4.8	YOLO 核心框架，与 PyTorch 2.0.0+cu118 完美兼容
NumPy	1.26.4	1.x 系列稳定版，避免与 YOLO/PyTorch 2.x 版本冲突
操作系统	Windows	适配 RTX3090，规避多进程数据加载兼容性问题

二、环境搭建前置准备

1. 确保已安装 Anaconda/Miniconda，且添加到系统环境变量
2. 确保 NVIDIA 显卡驱动已更新，支持 CUDA 11.8（RTX3090 默认支持）
3. 关闭系统 VPN / 代理、杀毒软件，避免网络下载中断或权限问题
4. 清理系统用户目录冗余 Python 包（避免路径冲突）：删除C:\Users\用户名\appdata\roaming\python\python310\site-packages下所有torch*、numpy*、ultralytics*相关文件夹

三、Anaconda 虚拟环境创建

3.1 打开 Anaconda Prompt

以管理员身份运行 Anaconda Prompt，默认进入base环境。

3.2 创建纯净 YOLO 虚拟环境

因清华源等镜像易出现连接重置问题，强制使用 Anaconda 官方源创建环境，执行命令：

bash

运行

conda create -n yolo python=3.10 -y --override-channels -c defaults

• 说明：--override-channels -c defaults 忽略现有镜像源，直接使用官方源，避免包元数据收集失败
• 成功标识：终端最后显示环境激活 / 退出提示，无ConnectionResetError等网络错误

3.3 激活 YOLO 虚拟环境

创建完成后，立即激活环境（后续所有操作均在该环境下执行）：

bash

运行

conda activate yolo

• 成功标识：命令行前缀从(base)变为(yolo)

四、核心依赖安装（GPU 版，适配 RTX3090）

4.1 安装 GPU 版 PyTorch 2.0.0+cu118

选择无 fbgemm.dll 依赖的稳定版本，直接从 PyTorch 官方源下载，执行命令：

bash

运行

pip install torch==2.0.0+cu118 torchvision==0.15.1+cu118 torchaudio==2.0.1+cu118 --index-url https://download.pytorch.org/whl/cu118

• 说明：该版本无需安装 VS Build Tools，彻底规避 dll 加载失败问题，适配 Windows+RTX3090

• 安装完成后立即验证 GPU 版是否生效 （关键步骤，避免白装）：

  bash

  运行

  python -c "import torch; print('CUDA是否可用：', torch.cuda.is_available(), '| PyTorch版本：', torch.__version__)"

  成功输出：CUDA是否可用： True | PyTorch版本： 2.0.0+cu118

4.2 安装兼容版 NumPy 1.26.4

卸载高版本 NumPy（若存在），安装1.x 系列黄金兼容版，避免与 YOLO/PyTorch 冲突，执行命令：

bash

运行

pip uninstall numpy -y && pip install numpy==1.26.4 -i https://pypi.tuna.tsinghua.edu.cn/simple

• 验证 NumPy 安装： bash

  运行

  python -c "import numpy; print('NumPy版本：', numpy.__version__)"

  成功输出：NumPy版本： 1.26.4

4.3 安装 Ultralytics 8.4.8（强制保留 GPU 版 PyTorch）

因 Pip 无法识别带+cu118后缀的 GPU 版 PyTorch，需跳过依赖检查安装，避免 GPU 版被替换为 CPU 版，执行命令：

bash

运行

pip install ultralytics==8.4.8 -i https://pypi.tuna.tsinghua.edu.cn/simple --no-deps

• 说明：--no-deps 仅安装 Ultralytics 本体，复用已安装的 GPU 版 PyTorch/NumPy，无依赖冲突风险

五、环境全量验证（确保 GPU 训练就绪）

执行一键验证命令，检查所有组件是否正常、GPU 是否可用、YOLO 模型是否能加载，命令：

bash

运行

python -c "import torch; import numpy; import ultralytics; from ultralytics import YOLO; print('=== 环境验证结果 ==='); print('CUDA可用：', torch.cuda.is_available()); print('PyTorch版本：', torch.__version__); print('NumPy版本：', numpy.__version__); print('Ultralytics版本：', ultralytics.__version__); model=YOLO('yolov8n.pt'); print('YOLO模型加载成功！'); print('GPU设备信息：', torch.cuda.get_device_name(0))"

5.1 成功验证标准（缺一不可）

终端输出以下信息，无任何报错：

plaintext

=== 环境验证结果 ===
CUDA可用： True
PyTorch版本： 2.0.0+cu118
NumPy版本： 1.26.4
Ultralytics版本： 8.4.8
YOLO模型加载成功！
GPU设备信息： NVIDIA GeForce RTX 3090

5.2 关键验证项说明

• CUDA可用：True：确认 GPU 版 PyTorch 生效，RTX3090 被正确识别
• YOLO模型加载成功：确认 Ultralytics 与 PyTorch/NumPy 兼容，无依赖问题
• GPU设备信息：确认显卡型号为 RTX3090，避免设备识别错误

六、YOLO GPU 训练（适配 RTX3090 24G 显存）

6.1 编写训练脚本train.py

创建纯净化训练脚本，禁用多进程（Windows 专属稳定解），充分利用 RTX3090 大显存，代码如下：

python

运行

# train.py - 适配Windows+RTX3090 24G的YOLO GPU训练脚本
from ultralytics import YOLO

# 加载YOLO模型（可替换为自定义训练的预训练模型，如yolo26n.pt）
model = YOLO("yolov8n.pt")

# 启动GPU训练（Windows必设workers=0，彻底杜绝DataLoader进程错误）
results = model.train(
    data="coco8.yaml",    # 数据集配置文件（根据实际数据集修改）
    epochs=100,           # 训练轮数
    imgsz=640,            # 训练图像分辨率，RTX3090 24G可保持640
    batch=32,             # 批次大小，最大化利用24G显存
    device=0,             # 独占RTX3090 GPU（设备ID为0）
    workers=0,            # Windows核心配置：禁用多进程，单进程加载更稳定
    project="runs/train", # 训练结果保存根目录
    name="exp"            # 训练实验名称，结果保存在runs/train/exp
)

6.2 启动 GPU 训练

在yolo环境下，切换到训练脚本目录，执行命令：

bash

运行

python train.py

6.3 训练成功核心标识

终端无任何DataLoader、dll、版本冲突等错误，显示以下信息并进入稳定 Epoch 迭代：

plaintext

Ultralytics 8.4.8  Python-3.10.19 torch-2.0.0+cu118 CUDA:0 (NVIDIA GeForce RTX 3090, 24575MiB)
NumPy version: 1.26.4
Transferred 708/708 items from pretrained weights
YOLOv8n summary: 218 layers, 3,157,200 parameters, 3,157,200 gradients, 8.7 GFLOPs
AMP checks passed ✅
Epoch   1/100: 100%|██████████| xx/xx [00:xx<00:00, xxit/s, loss=xx.xx, lr=0.01]

• 关键标识：CUDA:0 (NVIDIA GeForce RTX 3090, 24575MiB) 确认 GPU 被调用，24G 显存正常识别
• 训练过程：Epoch 持续迭代，无进程退出、显存不足等错误，RTX3090 全程满负载运行

七、训练模型导出（ONNX 格式，适配部署）

7.1 编写导出脚本export.py

导出训练好的最优模型best.pt为 ONNX 格式（跨平台部署通用），强制调用 GPU 加速导出，代码如下：

python

运行

# export.py - YOLO模型导出为ONNX格式（适配RTX3090 GPU）
from ultralytics import YOLO

# 加载训练好的最优模型（根据实际训练结果路径修改）
model = YOLO("runs/train/exp/weights/best.pt")

# 导出ONNX模型，强制使用GPU，开启轻量化
model.export(
    format="onnx",        # 导出跨平台ONNX格式
    device=0,             # 调用RTX3090 GPU加速导出
    imgsz=640,            # 与训练分辨率一致
    simplify=True,        # 开启模型轻量化，减小体积提升推理速度
    opset=12              # 适配onnx>=1.12.0版本
)

print("模型导出成功！ONNX文件保存在 best.pt 同目录下（best.onnx）")

7.2 执行导出命令

在yolo环境下，切换到导出脚本目录，执行命令：

bash

运行

python export.py

7.3 导出说明

1. 首次导出时，Ultralytics 会自动检测并安装 ONNX 相关依赖（onnx>=1.12.0、onnxslim、onnxruntime-gpu），属于正常流程，无需干预

2. 导出成功后，ONNX 文件保存在runs/train/exp/weights/目录下，与best.pt同路径

3. 若自动安装依赖失败，手动执行以下命令安装： bash

   运行

   pip install onnx>=1.12.0,<2.0.0 onnxslim>=0.1.71 onnxruntime-gpu==1.17.1 -i https://pypi.tuna.tsinghua.edu.cn/simple

7.4 导出模型验证

验证 ONNX 模型是否可用，确保部署无问题，执行以下代码：

python

运行

# 验证ONNX模型加载与GPU推理
import onnxruntime as ort
import numpy as np

# 加载ONNX模型，指定RTX3090 GPU推理
ort_sess = ort.InferenceSession(
    "runs/train/exp/weights/best.onnx",
    providers=['CUDAExecutionProvider', 'CPUExecutionProvider']
)

# 构造测试输入（与训练/导出分辨率一致：1,3,640,640）
test_input = np.random.randn(1, 3, 640, 640).astype(np.float32)
# 执行GPU推理
output = ort_sess.run(None, {ort_sess.get_inputs()[0].name: test_input})
print("ONNX模型GPU推理成功！输出形状：", output[0].shape)

成功输出：ONNX模型GPU推理成功！输出形状： (1, 300, 6)（输出形状与模型配置一致）

八、常见问题与解决方案（全程避坑）

问题现象	核心原因	解决方案
ConnectionResetError 10054（创建环境时）	清华源等镜像访问不稳定	使用官方源创建环境：conda create -n yolo python=3.10 -y --override-channels -c defaults
fbgemm.dll 加载失败	高版本 PyTorch 依赖底层 C++ 编译工具	安装无 dll 依赖的 PyTorch 2.0.0+cu118（本文推荐版本）
Numpy is not available/NumPy 2.x 版本冲突	NumPy 版本过高（2.x），与 YOLO 不兼容	降级至 NumPy 1.26.4：pip install numpy==1.26.4
GPU版PyTorch被替换为CPU版（安装 Ultralytics 后）	Pip 无法识别+cu118后缀，误判版本	用--no-deps安装 Ultralytics：pip install ultralytics==8.4.8 --no-deps
DataLoader worker 退出意外	Windows 多进程兼容性差，进程数过高	训练脚本中设置workers=0（禁用多进程，本文推荐）
pin_memory/persistent_workers 不是合法参数	该参数是 PyTorch 底层参数，非 YOLO 入参	删除非法参数，仅保留 YOLO 合法参数（见本文训练脚本）
CUDA is False（验证时）	PyTorch 安装为 CPU 版，或显卡驱动不兼容	重新安装 GPU 版 PyTorch 2.0.0+cu118，更新显卡驱动

九、环境关键特性总结

1. 纯净无冲突：基于 Anaconda 虚拟环境，与系统 Python 环境完全隔离，无冗余包干扰
2. GPU 专属优化：全程使用 PyTorch 2.0.0+cu118 GPU 版，充分利用 RTX3090 24G 显存
3. Windows 适配 ：禁用多进程（workers=0），彻底杜绝 DataLoader 进程错误，训练稳定无中断
4. 版本全兼容：PyTorch 2.0.0+cu118 + Ultralytics 8.4.8 + NumPy 1.26.4，无任何版本冲突
5. 部署友好：支持导出 ONNX 轻量化模型，适配 Python/C++/TensorRT 等多平台部署，可利用 RTX3090 GPU 推理

十、后续操作建议

1. 训练过程中，训练结果（模型、日志、损失曲线）自动保存在runs/train/exp目录，best.pt为每轮验证的最优模型
2. 若需调整训练参数，仅修改train.py中的batch、epochs、imgsz等 YOLO 合法参数，无需改动其他配置
3. 部署时优先使用导出的 ONNX 模型，配合onnxruntime-gpu实现 RTX3090 GPU 加速推理，推理速度远高于 CPU
4. 若需重新搭建环境，直接按本文步骤执行，无需额外配置，全程可复现