Windows 10下Miniconda搭建YOLOv5与LabelImg环境-平芜编程栈

Windows 10 下 Miniconda 搭建 YOLOv5 与 LabelImg 开发环境

在智能安防摄像头自动识别人形、工业流水线实时检测缺陷的今天，目标检测早已不是实验室里的概念，而是真正落地于产线和终端的实用技术。对于刚入门计算机视觉的开发者来说，如何快速搭建一个稳定可用的训练环境，往往是跨出第一步的最大障碍。

尤其是面对 Python 环境混乱、依赖冲突、GPU 不识别等问题时，很多人还没开始写代码就已心力交瘁。有没有一种方式，能让我们避开“环境地狱”，专注于模型本身？答案是肯定的——关键在于从一开始就用对工具链。

本文将带你以Miniconda + Python 3.11为基础，在 Windows 10 系统上构建一套专为 YOLOv5 和 LabelImg 定制的开发沙箱。整个过程强调可复现性、高效性和实用性，特别适合学生项目、毕业设计或企业原型验证。

为什么选 Miniconda 而不是直接装 Python？

你可能已经试过直接下载 Python 安装包，然后pip install一堆库，结果某天运行另一个项目时发现某个包版本不兼容，程序直接报错。这就是典型的“依赖地狱”。

而Miniconda的价值就在于它提供了一个轻量但强大的环境隔离机制。它只包含最核心的conda包管理器和 Python 解释器，体积小（不到 100MB），却能让你为每个项目创建独立的虚拟环境。换句话说：你可以有一个环境跑 YOLOv5，另一个跑 Django Web 服务，彼此互不影响。

更关键的是，我们选用的是基于Python 3.11的定制镜像版本。相比旧版，Python 3.11 平均提速 20%-50%，尤其在处理大量图像数据时，启动速度和脚本响应明显更流畅。

当然，也得提醒一句：虽然性能提升了，但并非所有第三方库都立刻支持 Python 3.11。比如早期版本的 PyTorch 就无法安装。不过别担心，后续我们会手动指定兼容的 GPU 加速版本，确保既能享受新语言特性，又不失深度学习能力。

安装 Miniconda：打好地基

前往官方页面获取最新版安装程序：

👉 https://docs.conda.io/en/latest/miniconda.html

选择Miniconda3 Windows 64-bit的.exe文件下载并运行。

安装路径建议设为：

C:\Miniconda3

务必避免中文或空格字符，否则命令行调用时常会出现莫名其妙的错误。

安装过程中有两个选项一定要勾上：

✅ Add Miniconda to my PATH environment variable
✅ Register Miniconda as my default Python

如果漏选了，就需要手动把以下三条路径添加到系统PATH环境变量中：

C:\Miniconda3 C:\Miniconda3\Scripts C:\Miniconda3\Library\bin

完成后打开Anaconda Prompt或PowerShell，执行：

conda --version python --version

看到类似输出说明安装成功：

conda 24.x.x Python 3.11.x

此时你的基础运行时已经准备就绪。

国内加速秘诀：切换清华 TUNA 镜像源

默认情况下，conda和pip都会连接境外服务器下载包，不仅慢还容易中断。尤其是在安装 PyTorch 这类大体积依赖时，等待几分钟后提示超时重试，简直令人崩溃。

解决办法很简单：换国内镜像源。推荐使用清华大学开源软件镜像站（TUNA），速度快且稳定性高。

Conda 使用清华源

先生成配置文件：

conda config --set show_channel_urls yes

该命令会在用户目录下创建.condarc文件：

C:\Users\你的用户名\.condarc

用文本编辑器打开，替换内容如下：

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 menpo: 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

保存后清除缓存使配置生效：

conda clean -i

Pip 切换为清华源

在用户目录下新建文件夹和配置文件：

C:\Users\你的用户名\pip\pip.ini

写入以下内容：

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

从此以后，所有pip install命令都会通过国内节点拉取，速度提升可达数倍。

创建专属虚拟环境：yolo

接下来我们要为 YOLOv5 项目建立一个干净的“容器”，防止与其他工程产生干扰。

执行命令创建名为yolo的环境：

conda create -n yolo python=3.11

激活环境：

conda activate yolo

成功后你会看到命令行前缀变成(yolo)：

(yolo) C:\>

查看当前所有环境列表：

conda env list

这个小小的(yolo)标记意味着你现在处于一个完全隔离的空间里，任何在此环境中安装的包都不会影响系统全局或其他项目。

部署 LabelImg：打造自己的标注流水线

没有高质量的数据，再强的模型也是空中楼阁。LabelImg 是目前最流行的手动图像标注工具之一，支持导出 Pascal VOC 和 YOLO 两种格式，非常适合用于自定义目标检测任务。

获取源码

GitHub 地址：https://github.com/tzutalin/labelImg

使用 Git 克隆：

git clone https://github.com/tzutalin/labelImg.git cd labelImg

或者手动下载 ZIP 包解压至本地。

安装依赖并启动 GUI

确保已激活yolo环境：

conda activate yolo

安装必要组件：

conda install pyqt=5 conda install lxml

接着编译资源文件：

pyrcc5 -o libs/resources.py resources.qrc

⚠️ 如果提示'pyrcc5' 不是内部或外部命令，请检查是否将以下路径加入了系统PATH：

C:\Miniconda3\envs\yolo\Scripts

修改后重启终端即可。

最后启动图形界面：

python labelImg.py

正常情况下会弹出主窗口，可以开始标注工作。

提升效率的快捷键技巧

掌握这些操作能让标注效率翻倍：

快捷键	功能
`Ctrl + u`	加载整批图片
`Ctrl + r`	修改保存路径
`Ctrl + s`	保存当前标注
`w`	创建矩形框
`d`/`a`	下一张 / 上一张
`Space`	标记为已验证
`Del`	删除选中框
`Ctrl + d`	复制当前框

💡 实用建议：
- 启用菜单栏中的Auto Save mode，切换图片时自动保存，避免意外丢失。
- 清空data/predefined_classes.txt内容，即可自由输入类别名称，不受预设限制。

部署 YOLOv5：从克隆到初步验证

YOLOv5 凭借其简洁 API 和出色的推理速度，已成为许多工程师的首选框架。

克隆项目

地址：https://github.com/ultralytics/yolov5

执行：

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

确认激活环境：

conda activate yolo

安装依赖

项目自带requirements.txt，一键安装大部分所需库：

pip install -r requirements.txt

由于涉及matplotlib、seaborn等大型库，建议保持网络畅通，预计耗时 5–10 分钟。

安装完成后运行一次检测测试：

python detect.py --source data/images --weights yolov5s.pt

若控制台输出推理信息，并在runs/detect/exp目录生成带框图像，则说明基础环境无误。

启用 GPU 加速：释放显卡算力

默认安装的是 CPU 版本 PyTorch。如果你有 NVIDIA 显卡，强烈建议升级为 CUDA 版本来大幅提升训练速度。

查看 CUDA 版本

打开命令行执行：

nvidia-smi

找到这一行：

CUDA Version: xx.x

例如显示CUDA 12.1，则需匹配对应版本的 PyTorch。

手动安装 GPU 版本

访问官方 whl 页面：
🔗 https://download.pytorch.org/whl/torch_stable.html

查找符合以下条件的 wheel 文件：

支持 Python 3.11（cp311）
对应 CUDA 版本（如cu121）
Windows 平台（win_amd64）

示例文件名：

torch-2.1.0+cu121-cp311-cp311-win_amd64.whl
torchvision-0.16.0+cu121-cp311-cp311-win_amd64.whl

先卸载原有 CPU 版本：

pip uninstall torch torchvision torchaudio

再依次安装 GPU 版本（路径根据实际调整）：

pip install D:\downloads\torch-2.1.0+cu121-cp311-cp311-win_amd64.whl pip install D:\downloads\torchvision-0.16.0+cu121-cp311-cp311-win_amd64.whl

验证 GPU 是否启用

进入 Python 测试：

import torch print("PyTorch Version:", torch.__version__) print("CUDA Available:", torch.cuda.is_available()) print("GPU Count:", torch.cuda.device_count()) if torch.cuda.is_available(): print("Current GPU:", torch.cuda.get_device_name(0))

预期输出：

PyTorch Version: 2.1.0+cu121 CUDA Available: True GPU Count: 1 Current GPU: NVIDIA GeForce RTX 3060

只要CUDA Available返回True，恭喜！你的训练速度将迎来质的飞跃。

训练自定义模型：从零开始实战

现在我们可以用自己的数据训练专属模型了。

数据集组织结构

假设要识别“A类物体”，标准目录如下：

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

每张图片对应一个同名.txt文件，由 LabelImg 导出，格式为：

<class_id> <x_center> <y_center> <width> <height>

所有数值均为归一化坐标（范围[0,1]）。

编写 YAML 配置文件

在yolov5/data/下新建A.yaml：

train: ../datasets/images/train val: ../datasets/images/val nc: 1 names: ['A LAN']

注意路径必须准确，否则训练时报错“cannot find data”非常常见。

开始训练

执行命令：

python train.py \ --img 640 \ --batch 16 \ --epochs 100 \ --data data/A.yaml \ --weights yolov5s.pt \ --project runs/train \ --name exp_A

参数说明：

--img: 输入尺寸，640 是常用值
--batch: 批次大小，显存不足可降为 8 或 4
--epochs: 训练轮数，视数据量调整
--weights: 使用预训练权重微调，收敛更快
--project和--name: 控制输出目录命名

训练期间终端会实时显示损失、mAP@0.5 等指标变化，耐心等待即可。

推理测试：看看模型表现如何

将待测图片放入inference/images/目录，运行检测：

python detect.py \ --source inference/images/test.jpg \ --weights runs/train/exp_A/weights/best.pt \ --conf 0.5 \ --save-txt \ --save-conf

主要参数含义：

--source: 图片路径或摄像头编号
--weights: 使用训练得到的最佳模型
--conf: 置信度阈值，过滤低分预测
--save-txt: 保存 YOLO 格式标签
--save-conf: 保存置信度分数

结果将输出到runs/detect/exp目录，包含带框图像和文本标注。

远程协作扩展：Jupyter 与 SSH 支持

虽然本文聚焦本地开发，但这套环境同样适用于远程协作场景。

Jupyter Notebook：交互式调试利器

在yolo环境中安装：

conda install jupyter notebook

启动：

jupyter notebook

浏览器自动打开界面，支持.ipynb文件编写交互式代码，特别适合可视化分析、模型调试和教学演示。

内联绘图、变量追踪、Markdown 注释等功能极大提升开发体验。

SSH 登录：远程服务器训练无忧

若需在远程机器上运行长时间训练任务，可通过 SSH 安全连接：

ssh username@server_ip -p 22

登录后激活环境并提交任务：

conda activate yolo nohup python train.py --data A.yaml > train.log 2>&1 &

配合nohup或tmux可实现后台持久运行，即使断开连接也不影响进程。

这套基于 Miniconda 的 AI 开发范式，不只是教你装几个工具，更是传递一种工程思维：用最小代价构建可复现、易维护、高性能的实验环境。当你亲手标注第一张图片、训练第一个模型、并在图像上看到那个熟悉的绿色边界框时，那种从无到有的成就感，正是推动技术前行的原始动力。

Windows 10下Miniconda搭建YOLOv5与LabelImg环境