为了确保你能顺利使用 YOLOv5，以下是搭建 Python 环境的具体步骤。我们将分三步来讲解：创建独立的虚拟环境、安装必要的软件包及依赖项、配置 CUDA 和 GPU 支持（如果需要的话）。 ### 步骤一：创建新的虚拟环境 **1. 安装 Miniconda 或 Anaconda** 如果你还没有 Conda 工具链，首先可以从官网下载并安装 [Miniconda](https://docs.conda.io/en/latest/miniconda.html) 或更全面的 [Anaconda](https://www.anaconda.com/products/distribution#download-section) 发行版之一。这两个工具都提供了一个方便的方式来管理不同项目的隔离式 Python 版本及其所需的库集合。 **2. 创建一个新的 conda 虚拟环境** 打开命令提示符或终端窗口，输入下面这条指令以创建名为 `yolov5` 的新环境，并同时指定 Python 版本为 3.x （x 表示次要版本数字）。请注意选择与 YOLOv5 所需相匹配的 Python 版本。 ```bash conda create --name yolov5 python=3.x ``` 激活刚创建好的虚拟环境： ```bash conda activate yolov5 ``` ### 步骤二：安装必需的依赖项 进入 YOLOv5 目录后，根据 README 文件说明进行操作: **1. Git 克隆 YOLOv5 仓库** 确保你已经安装了 git 后，在终端中导航到你想放置 YOLOv5 项目的位置，并运行下列命令将其源码复制下来： ```bash git clone https://github.com/ultralytics/yolov5.git cd yolov5 ``` **2. 根据需求文件安装依赖** 接下来，你需要安装所有由该项目所需的各种外部包。大多数时候这一步只需要简单地执行以下 pip 命令即可完成： ```bash pip install -r requirements.txt ``` 注意：如果想启用一些额外的功能（比如 TensorRT 集成），则可能还需要编辑 `requirements.txt` 来添加更多内容或将现有条目更新至更高版本。 ### 步骤三：配置 CUDA/GPU 支持（可选） 如果你想利用 NVIDIA 显卡加速计算过程，那么还须做进一步调整: **1. 安装合适的 PyTorch+CUDA 组合** 检查你的显卡型号是否支持最新发布的 CUDA 版本。访问 [PyTorch 下载页面](https://pytorch.org/get-started/locally/) 获取针对 Windows/Linux/macOS 不同平台下多种组合方式下的官方建议。例如，对于 RTX 30系显卡用户来说，可以选择如下稳定版本： ```bash conda install pytorch torchvision torchaudio cudatoolkit=XX.YYY -c pytorch ``` 其中 XX.YYY 替换为你实际使用的 CUDA 版本编号。 **2. 测试GPU可用性** 最后，验证一下 TensorFlow 对于当前硬件的支持状况，可以通过以下几行代码片段做到这一点： ```python import torch print(f"CUDA Available: {torch.cuda.is_available()}") device = 'cuda' if torch.cuda.is_available() else 'cpu' print(device) ``` 以上便是设置适用于YOLOv5工作的完整Python环境的过程概述。只要严格按照上述指导逐步实施，就能获得一个良好运作的研究框架啦！