## 1. 创建专用conda环境并验证Python兼容性 YOLOv7对Python版本有明确要求，官方推荐使用3.8到3.10之间的版本，我实测下来3.9是最稳妥的选择——既避开3.11中部分Cython编译问题，又比3.8获得更好的NumPy向量化性能。很多新手直接在base环境中装依赖，结果和系统里其他项目冲突，最后连pip list都打不开。我建议你从头新建一个干净的conda环境，哪怕多花两分钟，后面能省下至少三小时排查时间。 打开Anaconda Prompt（不是普通cmd），先更新conda本身，避免因conda版本太老导致环境创建失败： ```bash conda update conda -y ``` 然后执行创建命令，这里特别注意加上`-c conda-forge`参数，它能解决某些Windows环境下numpy安装卡住的问题： ```bash conda create -n yolo7 python=3.9 -c conda-forge ``` 创建完成后别急着装包，先激活并检查基础状态： ```bash conda activate yolo7 python --version # 应输出 Python 3.9.x which python # Linux/macOS用；Windows用 where python ``` 这时候你会看到路径指向`anaconda3\envs\yolo7\python.exe`，说明环境已就位。顺手升级pip也很关键，旧版pip在处理YOLOv7的requirements.txt时容易漏装某些子依赖： ```bash python -m pip install --upgrade pip ``` > 提示：如果你用的是M1/M2 Mac，conda默认创建的是x86环境，会导致PyTorch无法加载。此时需显式指定架构：`CONDA_SUBDIR=osx-arm64 conda create -n yolo7 python=3.9 -c conda-forge`，再用`conda activate yolo7 && conda env config vars set CONDA_SUBDIR=osx-arm64`固化设置。 ## 2. 精准安装PyTorch与CUDA配套组件 这一步最容易翻车。YOLOv7训练时GPU利用率经常卡在0%，八成是PyTorch和CUDA版本没对齐。我踩过最深的坑是：明明NVIDIA驱动支持CUDA 11.8，却装了cu117版本的PyTorch，结果detect.py跑起来报`CUDA error: no kernel image is available for execution on the device`。根本原因在于PyTorch二进制包是按CUDA Toolkit编译的，不是按驱动版本。 先查清楚本机CUDA能力上限： ```bash nvidia-smi # 右上角显示的"CUDA Version: 12.1"是驱动支持的最高版本，不是当前安装的Toolkit版本 ``` 再确认实际安装的CUDA Toolkit版本（Windows在`C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\vxx.x\bin`，Linux用`nvcc --version`）。常见组合对照表如下： | 你的CUDA Toolkit | 推荐PyTorch命令 | 验证方式 | |----------------|----------------|----------| | 11.3 | `pip install torch==1.12.1+cu113 torchvision==0.13.1+cu113 --extra-index-url https://download.pytorch.org/whl/cu113` | `python -c "import torch; print(torch.cuda.is_available())"` 输出True | | 11.6 | `pip install torch==1.13.1+cu116 torchvision==0.14.1+cu116 --extra-index-url https://download.pytorch.org/whl/cu116` | `print(torch.version.cuda)` 应输出11.6 | | 11.8 | `pip install torch==2.0.1+cu118 torchvision==0.15.2+cu118 --extra-index-url https://download.pytorch.org/whl/cu118` | `print(torch.backends.cudnn.enabled)` 应为True | 装完后务必运行三行验证代码： ```python import torch print("CUDA可用:", torch.cuda.is_available()) print("CUDA版本:", torch.version.cuda) print("GPU数量:", torch.cuda.device_count()) ``` 如果第一行是False，别急着重装——先检查PyCharm终端是否还在base环境（左下角显示base说明没激活yolo7）。我在公司新配的笔记本上就遇到过这个情况，conda activate命令执行成功，但PyCharm终端没同步环境变量，后来在Settings→Tools→Terminal里把Shell path改成`C:\Users\XXX\anaconda3\envs\yolo7\Scripts\activate.bat`才解决。 ## 3. 在PyCharm中绑定conda解释器并校验路径 很多人卡在这一步：明明conda里装好了PyTorch，PyCharm里却提示`ModuleNotFoundError: No module named 'torch'`。根本原因是PyCharm没真正用上你创建的conda环境，而是用了系统Python或旧的虚拟环境。 打开PyCharm后，不要急着导入项目。先做环境绑定： **File → Settings → Project → Python Interpreter**（macOS是PyCharm → Preferences） 点击右上角齿轮图标 → Add → 左侧选Conda Environment → Existing environment 在Interpreter字段点击文件夹图标，导航到： - Windows：`C:\Users\你的用户名\anaconda3\envs\yolo7\python.exe` - macOS：`/opt/anaconda3/envs/yolo7/bin/python` - Linux：`/home/用户名/anaconda3/envs/yolo7/bin/python` > 注意：必须选`python.exe`（Windows）或`python`（macOS/Linux），不能选`conda.exe`或`activate.bat`。曾有同事选错路径，结果PyCharm把整个conda目录当解释器，IDE直接崩溃。 绑定完成后，右侧包列表会刷新显示`torch 2.0.1`等已安装包。此时点开"+"号安装按钮，搜索`opencv-python`并安装——YOLOv7的detect.py依赖它读取摄像头画面，但官方requirements.txt里没写明，属于隐藏依赖。 还有一个隐藏陷阱：PyCharm的Terminal默认不激活conda环境。你得手动配置： **Settings → Tools → Terminal → Shell path** Windows填：`cmd.exe /k "C:\Users\你的用户名\anaconda3\envs\yolo7\Scripts\activate.bat"` macOS/Linux填：`/bin/zsh -c "source /opt/anaconda3/etc/profile.d/conda.sh && conda activate yolo7 && zsh"` 这样以后在PyCharm底部终端敲`python detect.py --source 0`，就不用每次先`conda activate yolo7`了。 ## 4. 获取YOLOv7源码并处理常见文件结构问题 YOLOv7官方仓库（https://github.com/WongKinYiu/yolov7）有两个关键分支：`main`是稳定版，`dev`包含最新实验特性。新手强烈建议用main分支，因为dev分支里有些模块（如EMA权重更新）在PyCharm调试时会触发断点异常。 下载方式推荐用Git克隆而非zip解压： ```bash cd /your/project/path git clone -b main https://github.com/WongKinYiu/yolov7.git cd yolov7 ``` 克隆后你会发现根目录下没有`__init__.py`，导致PyCharm无法识别为Python包。虽然不影响运行，但写代码时Ctrl+Click跳转会失效。解决方案很简单，在yolov7文件夹内新建空文件`__init__.py`。 另一个高频问题是权重文件缺失。YOLOv7的detect.py默认加载`yolov7.pt`，但仓库里只有`cfg`和`utils`文件夹。你需要手动下载预训练权重： - 访问 https://github.com/WongKinYiu/yolov7/releases - 下载`yolov7.pt`（约150MB），放到yolov7项目根目录 - 同理，若要测试yolov7-e6e模型，下载对应`.pt`文件 此时项目结构应为： ``` yolov7/ ├── __init__.py ← 手动添加 ├── detect.py ├── models/ ├── utils/ ├── weights/ │ └── yolov7.pt ← 手动放入 └── requirements.txt ``` 顺手用PyCharm打开整个yolov7文件夹（不是只打开detect.py），这样IDE才能正确解析跨文件引用。我见过有人直接双击detect.py打开，结果models/common.py里的Conv类标红，调试时变量值全显示`<unavailable>`。 ## 5. 配置PyCharm运行参数并调试首个检测任务 现在到了最关键的验证环节。很多人以为配置完解释器就万事大吉，结果运行detect.py时卡在`cv2.VideoCapture(0)`返回None。这通常是因为OpenCV没正确链接摄像头驱动，或者PyCharm以管理员模式运行导致权限问题。 在PyCharm中右键detect.py → Run 'detect.py'，首次运行会弹出配置窗口。重点修改三处： - **Script path**: 指向你本地的`/path/to/yolov7/detect.py` - **Parameters**: 填 `--weights weights/yolov7.pt --source 0 --conf 0.25` （`--conf 0.25`降低置信度阈值，避免检测不到小目标） - **Working directory**: 设为`/path/to/yolov7`（必须和detect.py同级） > 注意：`--source 0`代表调用默认摄像头，如果想测试图片，改成`--source data/images/zidane.jpg`；测试视频则用`--source data/video/test.mp4`。YOLOv7仓库自带这些测试素材，放在`data/`子目录下。 如果出现`cv2.error: OpenCV(4.8.0) ... error: (-215:Assertion failed) !_src.empty()`，说明OpenCV没读到帧。此时在PyCharm Terminal中执行： ```bash python -c "import cv2; cap = cv2.VideoCapture(0); print(cap.read()[0])" ``` 如果输出False，证明是OpenCV或摄像头权限问题，和YOLOv7无关。解决方案： - Windows：关闭杀毒软件的摄像头拦截 - macOS：系统设置→隐私→相机→勾选PyCharm - Linux：`sudo usermod -a -G video $USER`，然后重启 成功运行后，你会看到终端滚动输出检测信息，同时弹出摄像头窗口，人像周围出现带标签的绿色方框。此时右下角PyCharm状态栏会显示“Python Console”正在运行，GPU占用率在任务管理器里应超过30%。如果GPU占用为0%，回到第2步重新检查PyTorch CUDA版本。 ## 6. 解决PyCharm调试时的典型中断问题 当你想深入看模型前向传播过程时，直接在detect.py第120行（`pred = model(img, augment=augment)[0]`）打个断点，F9运行调试——结果程序在`model(...)`这行直接跳出，变量窗口全是`<not available>`。这不是代码问题，而是YOLOv7的`models/yolo.py`里用了`torch.no_grad()`上下文管理器，PyCharm调试器默认不进入该区域。 解决方案有两个： **方案一（推荐）**：临时注释掉`models/yolo.py`第287行附近的`with torch.no_grad():`，改为普通调用。虽然会略微增加内存占用，但你能清晰看到`img`张量形状从`[1,3,640,640]`变成`pred`的`[1,25200,85]`，理解anchor匹配逻辑。 **方案二**：在PyCharm设置里开启低级别调试支持： **Settings → Build → Console → Python Console → Enable scientific mode** 然后在调试控制台输入： ```python import torch torch.set_grad_enabled(True) # 强制开启梯度计算 ``` 另外，YOLOv7的`utils/general.py`里大量使用`@threaded`装饰器做异步IO，这会导致断点跳转混乱。建议调试时把`threaded`函数改成同步版本，比如将`def threaded(func):`装饰器暂时删掉，函数体去掉`@threaded`标记。 最后提醒一个真实案例：某次我调试时发现`pred`输出全是NaN，追踪到`models/common.py`的`DWConv`层，发现是BatchNorm2d的running_var初始化为0导致除零。解决方案是在`train.py`开头加一行： ```python torch.nn.init.constant_(model.model[-1].bn.running_var, 1e-5) ``` 这种细节官方文档不会写，但你在PyCharm里单步执行十次就能定位。