Windows 10下配置Miniconda并部署LabelImg与YOLOv5

Windows 10下配置Miniconda并部署LabelImg与YOLOv5

在计算机视觉项目开发中，一个稳定、高效且可复现的环境是成功的关键。尤其是在目标检测任务中，从数据标注到模型训练，每一步都依赖于多个工具和库的协同工作。许多初学者常遇到“包冲突”、“CUDA不可用”或“模块找不到”等问题，根源往往在于环境配置不当。

本文将带你从零开始，在Windows 10系统上构建一套完整的深度学习开发环境。我们将使用Miniconda创建隔离的 Python 3.10 环境，部署图像标注工具LabelImg，并配置基于 PyTorch 的目标检测框架YOLOv5，最终实现 GPU 加速训练与推理。整个过程注重实用性与稳定性，避免冗余安装，适合 AI 入门者和项目开发者参考。

搭建轻量级 Python 开发环境：Miniconda + 镜像加速

相比 Anaconda，Miniconda更加轻便——它只包含conda包管理器和 Python 解释器，不预装大量科学计算包，非常适合需要自定义环境的用户。对于希望专注于深度学习而不被臃肿环境拖累的开发者来说，这是理想选择。

首先前往官网下载适用于 Windows 的安装包：
👉 https://docs.conda.io/en/latest/miniconda.html

推荐选择带有 Python 3.10 的 64 位版本（如Miniconda3-latest-Windows-x86_64.exe）。安装时务必勾选Add to PATH或Register Miniconda as default Python，否则后续命令行无法识别conda命令。

安装完成后，打开Anaconda Prompt (Miniconda3)或 PowerShell，运行以下命令验证：

conda --version python --version

若输出类似conda 23.x.x和Python 3.10.x，说明基础环境已就绪。

提升包管理效率：配置清华源

默认情况下，Conda 和 Pip 会连接国外服务器下载包，速度慢且容易失败。切换为国内镜像源能显著提升安装成功率。

Conda 使用清华源

执行命令生成.condarc文件：

conda config --set show_channel_urls yes

然后在用户主目录（通常是C:\Users\你的用户名\）找到.condarc文件，用文本编辑器打开，替换为以下内容：

channels: - defaults show_channel_urls: true default_channels: - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/r - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/msys2 custom_channels: conda-forge: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud msys2: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud bioconda: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud pytorch: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud pytorch-lts: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud simpleitk: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud

最后清除缓存使配置生效：

conda clean -i

Pip 使用清华源

在C:\Users\你的用户名\pip目录下创建pip.ini文件（注意不是.txt扩展名），内容如下：

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

这样无论是通过conda install还是pip install安装包，都会优先从国内源拉取，大幅提升下载速度。

创建专用虚拟环境

接下来我们为 YOLOv5 项目创建独立环境，避免与其他项目产生依赖冲突：

conda create -n yolo python=3.10 conda activate yolo

激活成功后，命令行前缀会出现(yolo)，表示当前处于该环境中。所有后续操作都将在此隔离环境下进行。

以下是常用 Conda 命令备忘：

快速部署 LabelImg：打造本地化图像标注平台

在目标检测任务中，高质量的数据集是模型性能的基石。LabelImg是一款开源的图形化标注工具，支持 PASCAL VOC 和 YOLO 格式输出，界面简洁，操作直观，非常适合小规模数据集制作。

项目地址：👉 https://github.com/tzutalin/labelImg

安装与启动流程

1. 下载源码 ZIP 包并解压至本地路径，例如D:\projects\labelImg
2. 打开 Anaconda Prompt，进入该目录：

cd D:\projects\labelImg

确保当前处于(yolo)环境中，安装必要依赖：

conda install pyqt=5 conda install lxml

3. 编译资源文件：

pyrcc5 -o libs/resources.py resources.qrc

⚠️ 若提示'pyrcc5' 不是内部或外部命令，请检查是否已正确安装 PyQt5，并尝试重启终端。

4. 启动程序：

python labelImg.py

图形界面随即弹出，即可开始标注工作。

提高标注效率：掌握关键快捷键

熟练使用快捷键可以极大提升工作效率。以下是一些高频操作建议：

自定义类别：优化标注体验

LabelImg 默认会读取data/predefined_classes.txt中的预设类别。如果你正在做一个新任务（比如口罩佩戴检测），建议清空原内容，并写入自己的类别：

with_mask without_mask mask_weared_incorrect

保存后重启 LabelImg，这些类别就会出现在下拉菜单中，输入一次即可重复选择，减少拼写错误。

配置 YOLOv5：搭建高性能目标检测框架

YOLOv5由 Ultralytics 开发，以其易用性、高精度和快速推理著称，广泛应用于工业质检、安防监控等场景。其基于 PyTorch 实现，支持多种模型尺寸（s/m/l/x），便于在不同硬件条件下部署。

项目地址：👉 https://github.com/ultralytics/yolov5

克隆项目并安装依赖

git clone https://github.com/ultralytics/yolov5.git cd yolov5 pip install -r requirements.txt

此命令会自动安装torch,torchvision,numpy,matplotlib等核心依赖。但请注意：此时安装的是 CPU 版本的 PyTorch，训练速度较慢。

启用 GPU 加速：安装 CUDA 版 PyTorch

若你拥有 NVIDIA 显卡并已安装驱动，强烈建议启用 GPU 加速。

1. 查看 CUDA 版本：

nvidia-smi

右上角显示的CUDA Version表示系统支持的最大 CUDA 版本（例如 11.6）。

2. 卸载 CPU 版本：

pip uninstall torch torchvision torchaudio

3. 访问 PyTorch 官方镜像站下载对应版本：
   👉 https://download.pytorch.org/whl/torch_stable.html

根据你的环境选择合适的.whl文件。以 Python 3.10 + CUDA 11.6 为例：

• torch-1.12.1+cu116-cp310-cp310-win_amd64.whl
• torchvision-0.13.1+cu116-cp310-cp310-win_amd64.whl

4. 下载后使用 pip 安装（假设文件位于F:\downloads\）：

pip install F:\downloads\torch-1.12.1+cu116-cp310-cp310-win_amd64.whl pip install F:\downloads\torchvision-0.13.1+cu116-cp310-cp310-win_amd64.whl

✅ 注意顺序：必须先安装torch，再安装torchvision。

5. 验证 GPU 是否可用：

import torch print(torch.__version__) print(torch.cuda.is_available()) # 应返回 True print(torch.cuda.get_device_name(0) if torch.cuda.is_available() else "No GPU")

预期输出：

1.12.1+cu116 True NVIDIA GeForce RTX 3060

一旦看到True，说明你的 YOLOv5 已具备 GPU 加速能力，训练效率将大幅提升。

在 PyCharm 中集成开发环境

虽然可以直接在命令行运行脚本，但在 IDE 中调试代码更为高效。推荐使用PyCharm Community Edition（免费）来加载项目。

配置解释器

1. 打开 PyCharm，选择Open Project，定位到yolov5文件夹。
2. 进入设置：File → Settings → Project → Python Interpreter
3. 点击齿轮图标 →Add...→Conda Environment→Existing environment
4. 设置解释器路径为：

C:\Users\你的用户名\miniconda3\envs\yolo\python.exe

确认无报错后，即可在 IDE 内直接运行train.py和detect.py，享受代码补全、断点调试等功能。

数据准备与模型训练实战

组织数据集结构

YOLOv5 要求数据按标准格式组织。假设我们要训练一个识别“A类物体”的模型，目录结构如下：

datasets/ ├── images/ │ ├── train/ │ └── val/ └── labels/ ├── train/ └── val/

其中labels中的.txt文件需与images中同名图片一一对应，格式为 YOLO 标注格式（归一化坐标）。

编写 YAML 配置文件

在yolov5/data/下创建A.yaml：

# 数据路径（相对或绝对） train: ../datasets/images/train val: ../datasets/images/val # 类别数量 nc: 1 # 类别名称 names: ['A LAN']

无需显式声明labels路径，YOLOv5 会自动匹配。

启动训练任务

执行训练命令：

python train.py --img 640 --batch 16 --epochs 50 --data data/A.yaml --weights yolov5s.pt --cfg models/yolov5s.yaml

参数说明：

• --img: 输入图像分辨率
• --batch: 批次大小（根据显存调整，RTX 3060 可设 16~32）
• --epochs: 训练轮数
• --data: 数据配置文件
• --weights: 初始权重（可从官方下载yolov5s.pt）
• --cfg: 模型结构文件

训练过程中会在runs/train/exp/生成日志图表和权重文件：

• weights/best.pt: 最佳模型
• weights/last.pt: 最终模型

执行推理测试

将待测图片放入inference/images/，运行：

python detect.py --source inference/images/test.jpg --weights runs/train/exp/weights/best.pt --conf 0.4

结果保存在runs/detect/exp/，包含带标注框的可视化图像。

例如：
- 成功识别“A LAN”设备
- 置信度达 0.87
- 存在少量漏检（可通过增加数据增强优化）

这套从环境搭建到模型落地的完整流程，不仅适用于个人实验，也能作为团队协作的基础模板。Miniconda 提供了干净的依赖管理，LabelImg 实现了高效的本地标注，而 YOLOv5 结合 GPU 加速，则让模型训练变得快速可行。

更重要的是，这种模块化的配置方式具有良好的可复现性和扩展性。未来你可以轻松迁移到其他任务，比如行人检测、车牌识别等，只需更换数据集和类别定义即可。

技术的成长从来不是一蹴而就，每一个ModuleNotFoundError或CUDA out of memory都是你进步的印记。只要坚持动手实践，终将驾驭复杂的 AI 工具链。

愿你在代码的世界里，始终保持好奇与热忱。