Windows 10下Miniconda搭建YOLOv5训练环境-育师

Windows 10 下使用 Miniconda 搭建 YOLOv5 训练环境

在目标检测的实际项目中，模型训练只是冰山一角。真正让初学者甚至有经验的开发者头疼的，往往是环境搭建过程中的各种“玄学问题”：明明代码没改，为什么别人能跑通我却报错？torch版本冲突、CUDA 不可用、依赖包缺失……这些问题背后，大多数时候并不是技术本身有多难，而是开发环境不够干净、不可控。

尤其是在 Windows 10 系统上进行深度学习开发时，系统路径、Python 全局环境、显卡驱动和包管理之间的耦合关系复杂，稍有不慎就会陷入“装了卸、卸了重装”的循环。

有没有一种方式，既能快速启动，又能避免污染全局环境，还能保证实验可复现？

答案是：用 Miniconda 创建隔离环境 + Python 3.11 + 手动配置 GPU 支持。这套组合拳不仅轻量高效，而且逻辑清晰、步骤可控，特别适合用于 YOLOv5 这类对依赖敏感的项目。

下面我们就从零开始，一步步构建一个稳定、可复用的 YOLOv5 训练环境。

为什么选择 Miniconda 而不是直接安装 Python？

很多人习惯直接下载 Python 安装包，然后用pip装库。但当你同时做多个 AI 项目时——比如一个用 PyTorch 1.13，另一个必须用 2.0+；或者一个需要旧版 OpenCV，另一个依赖新特性——全局 Python 环境很快就会变得混乱不堪。

Miniconda 的优势就在于它提供了一个轻量级的包与环境管理系统（conda），让你可以为每个项目创建独立的虚拟环境。这些环境彼此隔离，互不干扰，就像给每个项目分配了一台“专属小电脑”。

我们选用的是Miniconda3-py311_XX-Windows-x86_64.exe，即预装了 Python 3.11 的版本。这不仅能省去后续手动指定版本的麻烦，也确保了与当前主流框架的良好兼容性。

📌 建议前往官网下载最新版：https://docs.conda.io/en/latest/miniconda.html

安装时注意以下几点：
- 安装路径不要包含中文或空格，推荐如C:\miniconda3或C:\Users\YourName\miniconda3
- 勾选 “Add Miniconda to my PATH environment variable” —— 尽管提示“不推荐”，但在实际使用中开启更方便
- 允许初始化 conda 到 shell

安装完成后，打开Anaconda Prompt或PowerShell / CMD，运行：

conda --version python --version

如果输出类似：

conda 24.x.x Python 3.11.x

说明基础环境已准备就绪。

提升效率：配置国内镜像源加速下载

默认情况下，conda 和 pip 都会连接境外服务器拉取包，国内用户常遇到超时、断连、速度极慢的问题。为此，我们需要分别配置清华镜像源来提升安装效率。

Conda 使用清华源

执行以下命令自动写入.condarc配置文件：

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/ conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/ conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/ conda config --set show_channel_urls yes

生成的配置文件位于：

C:\Users\YourName\.condarc

内容应如下所示：

channels: - https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/ - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/ - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/ - defaults show_channel_urls: true

⚠️ 特别提醒：PyTorch 相关包一定要优先从清华云频道安装，否则可能误装 CPU 版本导致无法使用 GPU。

最后清除缓存以应用新源：

conda clean -i

Pip 配置国内源

虽然 conda 是主管理工具，但部分库仍需通过 pip 安装。我们同样为其设置清华源。

在用户目录下创建：
- 文件夹：C:\Users\YourName\pip\
- 文件：pip.ini

文件内容如下：

[global] index-url = https://pypi.tuna.tsinghua.edu.cn/simple trusted-host = pypi.tuna.tsinghua.edu.cn timeout = 6000

此后所有pip install命令都将走国内通道，下载速度通常能提升数倍。

创建专属虚拟环境：避免依赖冲突

接下来我们要为 YOLOv5 项目创建一个独立的虚拟环境，命名为yolov5。

在终端中运行：

conda create -n yolov5 python=3.11

等待安装完成，然后激活环境：

conda activate yolov5

此时命令行前缀会出现(yolov5)，表示你正处于该环境中。

一些常用操作备忘：
- 查看所有环境：conda env list
- 退出当前环境：conda deactivate
- 删除环境（谨慎）：conda env remove -n yolov5

所有后续操作都应在(yolov5)环境中进行，这样才能真正做到“一处配置，处处可用”。

部署 YOLOv5 框架：克隆代码并安装依赖

Ultralytics 官方开源的 YOLOv5 是目前最成熟的目标检测框架之一，支持多种模型尺寸（s/m/l/x）、内置数据增强、训练可视化和模型导出功能。

克隆项目

切换到工作目录，例如D:\projects，执行：

git clone https://github.com/ultralytics/yolov5.git cd yolov5

也可以手动下载 ZIP 包解压到本地。

确认已激活(yolov5)环境后，继续下一步。

安装基础依赖

YOLOv5 提供了完整的requirements.txt，只需一条命令即可安装大部分依赖：

pip install -r requirements.txt

这个文件会安装以下关键组件：
-torch（默认 CPU 版）
-torchvision,torchaudio
-numpy,matplotlib,Pillow
-PyYAML,tqdm,scipy
-thop（用于计算 FLOPs）

安装过程中若出现网络错误，可尝试多次重试，或改用离线.whl文件安装。

安装完成后验证 PyTorch 是否正常导入：

python -c "import torch; print(torch.__version__)"

预期输出如：

2.1.0

启用 GPU 加速：正确安装 CUDA 版 PyTorch

默认安装的是 CPU-only 版本的 PyTorch，训练速度慢得令人难以忍受。要启用 GPU 加速，必须根据你的 NVIDIA 显卡驱动安装对应的 CUDA 版本。

查看支持的 CUDA 版本

运行：

nvidia-smi

在右上角查看显示的CUDA Version，例如12.2。这是系统支持的最大 CUDA 版本，不是驱动版本号。

📌 注意：PyTorch 安装时使用的cuXXX编译版本不能超过此值。

卸载 CPU 版本

先卸载原有的 CPU 版本：

pip uninstall torch torchvision torchaudio

安装 GPU 版本

访问 PyTorch 官网获取正确的安装命令。

选择项如下：
- PyTorch Build: Stable
- OS: Windows
- Package: Pip
- Language: Python
- Compute Platform: 根据nvidia-smi结果选择（如 CUDA 11.8 或 12.1）

复制对应命令，例如：

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

或对于 CUDA 12.1：

pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121

💡 若网络不稳定，可前往 https://download.pytorch.org/whl/torch_stable.html 手动下载.whl文件进行本地安装。

验证 GPU 可用性

运行以下命令测试：

python -c " import torch print('CUDA Available:', torch.cuda.is_available()) print('GPU Count:', torch.cuda.device_count()) print('Current Device:', torch.cuda.current_device()) print('Device Name:', torch.cuda.get_device_name(0) if torch.cuda.is_available() else 'N/A') "

理想输出：

CUDA Available: True GPU Count: 1 Current Device: 0 Device Name: NVIDIA GeForce RTX 3060

✅ 成功！这意味着你的模型将利用 GPU 进行训练，速度相比 CPU 可提升 5~10 倍以上。

准备训练数据：规范目录结构与标签格式

YOLOv5 对数据组织有明确要求。假设我们要训练一个识别“苹果”的模型，建议结构如下：

datasets/apple/ ├── images/ │ ├── train/ │ │ ├── img1.jpg │ │ └── img2.jpg │ └── val/ │ ├── img3.jpg │ └── img4.jpg └── labels/ ├── train/ │ ├── img1.txt │ └── img2.txt └── val/ ├── img3.txt └── img4.txt

📌 关键点说明：
- 图像支持 JPG/PNG 等常见格式
- 标签文件为.txt，每行格式为：class_id x_center y_center width height
- 所有坐标均为归一化值（范围 0~1）
- 多个目标则有多行记录

🔁 如果你已有 VOC/XML 格式标注，可通过脚本批量转换为 YOLO 格式；也可使用 LabelImg 并设置保存格式为 “YOLO Darknet”。

编写自定义配置文件：apple.yaml

在yolov5/data/目录下新建apple.yaml文件，内容如下：

# 数据路径（相对路径） train: ../datasets/apple/images/train val: ../datasets/apple/images/val # 类别数量 nc: 1 # 类别名称列表 names: ['apple']

这个 YAML 文件将在训练时被引用，告诉模型去哪里加载数据、有多少类别。

开始训练：运行 train.py

回到 YOLOv5 根目录，执行训练命令：

python train.py \ --img 640 \ --batch 16 \ --epochs 100 \ --data data/apple.yaml \ --weights yolov5s.pt \ --cfg models/yolov5s.yaml \ --name yolov5s_apple

参数详解：

参数	说明
`--img 640`	输入图像尺寸，可根据显存调整为 320/1280
`--batch 16`	每批处理图像数，显存不足时可调小（如 8 或 4）
`--epochs 100`	训练轮数，复杂任务可增至 300+
`--data`	数据配置文件路径
`--weights`	初始权重文件，首次建议使用`yolov5s.pt`
`--cfg`	模型结构定义文件
`--name`	结果保存子目录名

首次运行会自动下载yolov5s.pt权重文件（约 14MB）。训练过程中会在runs/train/yolov5s_apple/生成：
- 日志信息
- 损失曲线图（loss curves）
- mAP 曲线
- 最佳模型权重weights/best.pt
- 最终模型weights/last.pt

训练结束后，推荐使用best.pt进行推理测试。

推理测试：验证模型效果

训练完成后，最关键的一步是看看模型是否真的学会了识别目标。

使用 detect.py 进行推理

将待测图片放入yolov5/data/images/，例如test.jpg，然后运行：

python detect.py \ --source data/images/test.jpg \ --weights runs/train/yolov5s_apple/weights/best.pt \ --conf 0.4 \ --save-txt \ --save-conf

参数说明：
---source：支持单图、多图、视频、摄像头实时检测
---weights：加载训练好的模型权重
---conf 0.4：置信度阈值，低于此值的预测将被过滤
---save-txt：保存检测框坐标到.txt
---save-conf：保存置信度分数

结果保存在runs/detect/exp/目录中（多次运行递增为exp2,exp3…）。

查看检测结果

进入runs/detect/exp/文件夹，打开输出图像即可看到带边框和标签的结果。

如果能看到清晰的绿色边框和"apple"标签，说明你的模型已经具备基本识别能力！

🔍 若效果不佳，可尝试以下优化方向：
- 增加训练轮数（如--epochs 300）
- 提高输入分辨率（如--img 1280）
- 调整数据增强参数（修改data/hyps/hyp.scratch-low.yaml）
- 扩充数据集样本量，尤其是难例样本
- 使用更大的模型（如yolov5m,yolov5l）

进阶技巧：结合 Jupyter 与远程开发

除了命令行操作，还可以通过交互式工具进一步提升开发效率。

在 Jupyter Notebook 中调试

在(yolov5)环境中安装 Jupyter：

pip install jupyter

启动服务：

jupyter notebook

浏览器会自动打开界面，你可以创建.ipynb文件，逐步调试数据加载、模型推理、张量可视化等流程。

这种方式特别适合做实验分析、画图展示、教学演示，极大提升了可读性和调试效率。

通过 SSH 远程开发

如果你希望在远程服务器或云主机上运行训练任务，可以通过 SSH 连接管理。

配置好密钥后，使用命令连接：

ssh username@server-ip -p 22

连接成功后，激活环境并启动训练：

conda activate yolov5 cd yolov5 nohup python train.py --data data/apple.yaml --weights yolov5s.pt > train.log 2>&1 &

配合tmux或screen可实现后台持久化运行，即使断开连接也不会中断训练。

此外，还可使用rsync同步数据、tensorboard查看训练曲线、ngrok暴露本地端口实现远程可视化。

这套基于 Miniconda 的 YOLOv5 环境搭建方案，核心价值在于“隔离”与“可控”。无论是学生做课程设计，研究人员开展实验，还是工程师部署原型，都能从中受益。

环境整洁了，出错少了，调试快了，信心自然也就来了。真正的技术成长，往往始于一次成功的环境配置。愿你在 AI 的道路上少些折腾，多些专注，终见星辰大海。

Windows 10下Miniconda搭建YOLOv5训练环境