最终目标与架构图
我们将建立如下所示的系统，其中PyCharm作为统一的开发界面，灵活调用两个底层独立的计算环境：
第一阶段：安装底层驱动与计算平台（只需一次）
这是整个系统的基石，只需安装一次，两个环境共享。
1. 安装 NVIDIA 显卡驱动
1.
访问下载页面： 打开 NVIDIA 驱动程序下载页面。
选择参数：
•
产品类型: GeForce
•
产品系列: GeForce RTX 40 Series
•
产品家族: GeForce RTX 4060
•
操作系统: Windows 11
•
语言: 简体中文
•
点击 【搜索】 -> 【下载】。
安装： 运行下载的exe文件，选择 【精简】 安装方式，完成后重启电脑。
验证： 按 Win + R，输入 cmd，在打开的命令行中输入 nvidia-smi。如果看到包含您显卡信息的表格，则驱动安装成功。
2. 安装 CUDA Toolkit 11.8
1.
访问归档页： 打开 CUDA Toolkit 归档页面。
选择版本： 找到并点击 CUDA Toolkit 11.8.0。
选择参数：
•
操作系统: Windows
•
架构: x86_64
•
版本: 10
•
安装程序类型: exe (local)
•
点击 【Download】。
安装CUDA：
•
运行安装程序。重要：选择【自定义】安装。
•
在组件选择页面：
•
在 CUDA节点下，取消勾选 Visual Studio Integration。
•
在 Driver components节点下，检查 Display Driver的版本号。如果比您刚安装的驱动旧，务必取消勾选它！ 避免驱动被降级。
•
使用默认路径安装即可。
3. 安装 cuDNN for CUDA 11.x
1.
访问下载页： 打开 cuDNN 下载页面(需要注册并登录 NVIDIA 账号)。
选择版本： 下载与 CUDA 11.x 兼容的版本（例如 cuDNN v8.9.5）。
“安装”cuDNN：
•
下载得到的是一个ZIP压缩包（如 cudnn-windows-x86_64-8.9.5.29_cuda11-archive.zip），将其解压。
•
打开解压后的文件夹，你会看到 bin, include, lib三个文件夹。
•
打开您的 CUDA 安装目录（默认：C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.8）。
•
将cuDNN解压文件夹内这三个文件夹中的全部内容，复制到CUDA目录下对应的文件夹中（即 bin到 bin，include到 include，lib到 lib\x64）。如果提示需要管理员权限，点击“继续”。
4. 安装 Miniconda (Python环境管理)
1.
下载： 访问 Miniconda 官网，下载 Windows 64-bit 安装程序（Python 3.8 或 3.9 版本）。
安装：
•
运行安装程序。
•
在 Advanced Options中，务必勾选 Add Miniconda3 to my PATH environment variable。这能确保您可以在任何命令行中轻松使用 conda命令。
•
完成安装。
第二阶段：创建两个隔离的Conda环境
我们将使用Anaconda Prompt来创建和管理环境。请务必依次操作，不要跳过任何步骤。
1. 创建 PaddlePaddle 专用环境 (paddle_env)
1.
打开 Anaconda Prompt： 在开始菜单中搜索并打开。
创建环境：
conda create -n paddle_env python=3.8
（询问是否安装包时，输入 y并按回车）
激活环境：
conda activate paddle_env
（命令行前缀会从 (base)变为 (paddle_env)，表示已进入该环境）
安装 PaddlePaddle-GPU 和依赖：
安装 PaddlePaddle GPU 版本 (CUDA 11.8)
python -m pip install paddlepaddle-gpu==2.5.1.post117 -f https://www.paddlepaddle.org.cn/whl/windows/mkl/avx/stable.html
安装 PaddleSeg 图像分割套件和常用库
pip install paddleseg opencv-python matplotlib scikit-learn tqdm
5.
验证安装：
python -c “import paddle; print(‘PaddlePaddle版本:’, paddle.version); print(‘是否支持GPU:’, paddle.device.is_compiled_with_cuda()); print(‘当前设备:’, paddle.device.get_device())”
成功输出： 显示版本号，且最后两行为 True和 gpu:0。
2. 创建 PyTorch (YOLO) 专用环境 (torch_env)
1.
退回基础环境：
conda deactivate
（命令行前缀变回 (base)）
创建新环境：
conda create -n torch_env python=3.8
3.
激活新环境：
conda activate torch_env
（命令行前缀变为 (torch_env)，现在与 paddle_env完全隔离）
安装 PyTorch (GPU版) 和 YOLO：
安装 PyTorch (CUDA 11.8) - 此命令来自PyTorch官网
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118
安装 Ultralytics YOLO 库
pip install ultralytics
安装辅助库
pip install opencv-python matplotlib
5.
验证安装：
python -c “import torch; print(‘PyTorch版本:’, torch.version); print(‘CUDA是否可用:’, torch.cuda.is_available()); print(‘GPU名称:’, torch.cuda.get_device_name(0))”
成功输出： 显示版本号，CUDA是否可用: True，并正确识别出您的 NVIDIA GeForce RTX 4060。
第三阶段：安装和配置 PyCharm
1. 下载和安装 PyCharm
1.
访问官网： 打开 JetBrains PyCharm 官网。
选择版本： 下载 Community (社区版)，免费且功能足够。
安装： 运行安装程序。在 Installation Options界面，勾选：
•
Add launchers dir to the PATH
•
Add “Open Folder as Project”
•
关联 .py文件。
2. 配置 PyCharm 项目与环境的关联
这是最关键的一步，让PyCharm用不同的环境打开不同的项目。
为 PaddlePaddle 创建项目：
打开 PyCharm。
点击 File-> New Project…。
在 Location处，设置项目路径，例如 D:\AI\Paddle_Projects。
点击 Python Interpreter右边的下拉框 -> Show All…-> + Add…。
在左侧选择 Conda Environment-> Existing environment。
点击 Interpreter右边的 …按钮，导航到：
C:\Users[你的用户名]\Miniconda3\envs\paddle_env\python.exe
（或者直接从下拉列表中选择 paddle_env）
勾选 Make available to all projects。
点击 OK-> OK。回到创建项目窗口，确保解释器显示为 Python 3.8 (paddle_env)。
点击 Create。
为 YOLO 创建项目：
重复上述步骤。
项目路径设为 D:\AI\YOLO_Projects。
在添加解释器时，选择 torch_env环境下的 python.exe：
C:\Users[你的用户名]\Miniconda3\envs\torch_env\python.exe
第四阶段：在PyCharm中开展训练
在 PaddlePaddle 项目中训练
1.
在 Paddle_Projects项目中，右键 -> New-> Python File，创建 train.py。
写入示例代码：
from paddleseg.core import train
if name == ‘main’:
# 请替换为您自己的配置文件路径
config_path = ‘path/to/your/pp_liteseg_optic_disc_512x512_1k.yml’
train.main(config_path)
3.
右键点击代码 -> Run ‘train’。训练日志将输出在PyCharm下方的 Run窗口。
在 YOLO 项目中训练
1.
在 YOLO_Projects项目中，右键 -> New-> Python File，创建 train.py。
写入示例代码：
from ultralytics import YOLO
if name == ‘main’:
# 加载模型
model = YOLO(‘yolov8s.pt’) # 从预训练模型开始
# 训练模型
results = model.train(
data=‘path/to/your/data.yaml’, # 请替换为您自己的数据yaml路径
epochs=100,
imgsz=640,
batch=16, # RTX4060 8G显存可从16开始尝试
name=‘my_rtx4060_yolo_train’
)
3.
右键点击代码 -> Run ‘train’，开始训练。
日常使用流程总结
1.
想用PaddlePaddle：
•
打开PyCharm -> 打开 Paddle_Projects项目 -> 编写代码 -> 运行。
•
PyCharm会自动使用 paddle_env环境下的所有库。
想用YOLO：
•
打开PyCharm -> 打开 YOLO_Projects项目 -> 编写代码 -> 运行。
•
PyCharm会自动使用 torch_env环境下的所有库。
您再也不需要手动切换环境，所有依赖关系都已被完美隔离和管理。享受您的双框架深度学习之旅吧！