Windows 10下Miniconda搭建YOLOv5与LabelImg全流程-编程阁

Windows 10下Miniconda搭建YOLOv5与LabelImg全流程

在目标检测的实际项目中，最让人头疼的往往不是模型调参，而是环境配置——明明代码没问题，却因为依赖冲突、路径错误或Python版本不兼容导致程序跑不起来。尤其是在Windows系统上部署深度学习框架时，这种“环境灾难”屡见不鲜。

如果你正在为如何在本地快速构建一个稳定、可复现的目标检测开发环境而发愁，不妨试试这套经过实战验证的方案：基于Miniconda + Python 3.11，从零开始搭建完整的 YOLOv5 与 LabelImg 工作流。整个过程不仅支持GPU加速，还能通过国内镜像显著提升安装效率，特别适合学生做实验、研究人员复现论文，或是工程师开发原型系统。

为什么选择 Miniconda 而不是直接用 Python？

很多人习惯直接安装官方 Python，但一旦同时进行多个AI项目，就会遇到“这个项目要用 PyTorch 1.12，那个又要用 TensorFlow 2.8”的窘境。不同库对 Python 和 CUDA 版本的要求各不相同，混在一起极易引发依赖冲突。

Miniconda 的优势就在于它轻量又强大：

它只包含conda包管理器和 Python 解释器，体积远小于 Anaconda。
支持创建独立虚拟环境，每个项目拥有自己的依赖空间，互不影响。
可以精确指定 Python 版本（如 3.9 / 3.11），完美匹配现代深度学习框架的需求。
集成pip和conda双包管理机制，灵活性更强。

尤其对于 YOLOv5 这类依赖复杂的项目来说，使用 Miniconda 几乎是工程实践中的标配。

第一步：安装 Miniconda 并初始化环境

前往 Miniconda 官方下载页，选择适用于 Windows 的 64 位安装包：

Miniconda3-latest-Windows-x86_64.exe

安装过程中有两个关键选项一定要勾选：

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

⚠️ 如果跳过这两步，后续每次使用 conda 都需要手动添加路径，非常麻烦。若已安装但未勾选，需将以下目录加入系统PATH：
C:\Miniconda3
C:\Miniconda3\Scripts
C:\Miniconda3\Library\bin

安装完成后，打开Anaconda Prompt或 PowerShell，运行：

conda --version python --version

预期输出类似：

conda 24.x.x Python 3.11.x

说明基础环境已经就绪。

第二步：配置国内镜像源，告别龟速下载

默认情况下，conda和pip都会连接境外服务器拉取包，经常出现超时、中断等问题。切换为清华大学 TUNA 镜像源后，安装速度通常能提升数倍。

设置 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（路径：C:\Users\你的用户名\.condarc）。用记事本打开并替换为以下内容：

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 pytorch: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud

保存后清除缓存使设置生效：

conda clean -i

为 Pip 配置清华源

在用户目录下新建文件夹pip，然后创建pip.ini文件：

C:\Users\你的用户名\pip\pip.ini

写入如下内容：

[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命令都将优先从清华镜像下载，再也不用看着进度条卡在 1%。

第三步：创建专属虚拟环境 yolo-env

接下来我们创建一个专用于 YOLOv5 开发的隔离环境：

conda create -n yolo-env python=3.11

激活环境：

conda activate yolo-env

成功后命令行前缀会显示(yolo-env)，表示当前处于该环境中。

查看已有环境列表：

conda env list

此时你拥有了一个干净、独立的“沙箱”，即使误装了冲突库也不会影响其他项目。

第四步：部署图像标注工具 LabelImg

没有高质量的数据集，再先进的模型也无用武之地。LabelImg 是目前最流行的开源图像标注工具之一，界面简洁、操作直观，支持导出 Pascal VOC 和 YOLO 格式标签，非常适合自定义数据集构建。

获取源码并进入项目目录

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

若未安装 Git，请先从 git-scm.com 下载安装。

确保仍在yolo-env环境中：

conda activate yolo-env

安装依赖项

conda install pyqt=5 conda install lxml

编译资源文件

pyrcc5 -o libs/resources.py resources.qrc

如果提示'pyrcc5' 不是命令，请检查当前环境的 Scripts 目录是否已加入 PATH，例如：

C:\Miniconda3\envs\yolo-env\Scripts

必要时可手动将其添加到系统环境变量中。

启动图形界面

python labelImg.py

正常启动后会出现如下窗口：

提高标注效率的小技巧

掌握这些快捷键可以大幅提升工作效率：

快捷键	功能
`Ctrl + u`	加载整批图片
`Ctrl + r`	修改保存路径
`Space`	标记为“已验证”
`w`	创建矩形框
`d`/`a`	下一张 / 上一张图片
`Del`	删除选中标注
`Ctrl + s`	保存当前标注
↑↓←→	微调框位置

💡实用建议：
- 在菜单栏启用Auto Save mode，避免意外关闭丢失标注。
- 清空data/predefined_classes.txt文件内容，即可完全自定义类别名称，不受预设限制。

第五步：克隆并部署 YOLOv5 框架

YOLOv5 因其易用性、高性能和活跃社区，已成为工业界主流目标检测工具之一。

克隆官方仓库

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

确认激活的是yolo-env环境：

conda activate yolo-env

安装依赖

pip install -r requirements.txt

得益于之前配置的清华源，大多数包都能快速完成安装。

测试基础推理功能

运行一次默认检测脚本验证环境是否正常：

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

若控制台输出推理信息，并在runs/detect/exp中生成带框图像，则说明基础环境搭建成功。

第六步：启用 GPU 加速训练（CUDA 支持）

默认安装的是 CPU 版本 PyTorch。如果有 NVIDIA 显卡，强烈建议切换为 GPU 版本来大幅提升训练速度。

查看显卡驱动支持的 CUDA 版本

运行：

nvidia-smi

在输出中找到：

CUDA Version: 12.2

注意：这是驱动支持的最大版本，不代表必须使用对应版本的 PyTorch。

安装 GPU 版 PyTorch

访问 PyTorch 官方 whl 页面，查找适配你环境的包。关键字段含义如下：

字段	含义
`cu118`	支持 CUDA 11.8
`cp311`	对应 Python 3.11
`win_amd64`	Windows 64 位系统

示例下载两个文件到本地（如D:\downloads\）：

torch-2.1.0+cu118-cp311-cp311-win_amd64.whl
torchvision-0.16.0+cu118-cp311-cp311-win_amd64.whl

卸载原 CPU 版本：

pip uninstall torch torchvision torchaudio

按顺序安装 GPU 版：

pip install D:\downloads\torch-2.1.0+cu118-cp311-cp311-win_amd64.whl pip install D:\downloads\torchvision-0.16.0+cu118-cp311-cp311-win_amd64.whl

验证是否可用：

import torch print(torch.__version__) print(torch.cuda.is_available()) # 应返回 True

如果输出True，恭喜！你现在可以用 GPU 加速训练了。

第七步：训练自定义 YOLOv5 模型

现在我们可以用自己的数据集微调一个专属模型。

组织数据集结构

假设我们要识别“A类物体”，标准目录如下：

datasets/ ├── images/ │ ├── train/ ← 训练集图片 │ └── val/ ← 验证集图片 └── labels/ ├── train/ ← 对应训练标签（.txt） └── val/ ← 对应验证标签

每张图片需有同名.txt文件，由 LabelImg 导出，格式为：

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

所有数值均已归一化至[0,1]区间。

编写 YAML 配置文件

在yolov5/data/目录下新建custom.yaml：

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

务必确保路径正确，否则训练时会报错找不到数据。

开始训练

执行训练命令：

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

参数说明：

参数	作用说明
`--img`	输入图像尺寸（像素）
`--batch`	批次大小（根据显存调整，一般 16~32）
`--epochs`	训练轮数
`--data`	数据配置文件路径
`--weights`	初始权重（推荐使用预训练模型 fine-tune）
`--project`和`--name`	控制输出目录命名逻辑

训练过程中终端会实时显示损失、mAP@0.5 等指标变化。

查看训练结果

训练结束后，结果保存在：

runs/train/exp_custom/ ├── weights/ │ ├── best.pt ← 最佳模型（mAP最高） │ └── last.pt ← 最终轮次权重 ├── results.png ← 指标趋势图 └── labels/ ← 标签分布可视化

通常建议使用best.pt进行后续推理。

第八步：使用训练好的模型进行推理测试

将待测图片放入inference/images/目录，运行检测脚本：

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

主要参数解释：

--source: 图片/视频路径或摄像头编号
--weights: 使用训练好的模型
--conf: 置信度阈值（低于此值的结果不显示）
--save-txt: 保存预测结果为 YOLO 格式.txt
--save-conf: 保存置信度分数

检测结果将输出到runs/detect/exp（自动编号），包括带框图像和文本标注文件。

扩展功能：Jupyter 与远程开发支持

这套环境不仅能跑脚本，还支持更灵活的开发方式。

使用 Jupyter Notebook 进行交互式开发

在yolo-env中安装 Jupyter：

conda install jupyter

启动服务：

jupyter notebook

浏览器会自动打开界面，可用于编写训练脚本、可视化数据分布、调试模型输出等。

通过 SSH 实现远程开发

若需连接远程服务器，可通过 SSH 登录后激活环境：

ssh username@server-ip conda activate yolo-env cd yolov5 python train.py ...

支持后台运行任务：

nohup python train.py --epochs 200 > train.log 2>&1 &

查看日志：

tail -f train.log

这种方式特别适合在高性能计算节点上长时间训练模型。

这套基于 Miniconda 的 YOLOv5 + LabelImg 搭建流程，已经在多个实际项目中验证有效。它不仅解决了 Windows 平台上常见的环境兼容问题，还通过虚拟环境隔离、国内镜像加速、GPU 支持等方式，显著提升了开发效率和稳定性。

更重要的是，这套方法具备高度可复制性——只需一份.condarc和requirements.txt，就能在团队成员之间快速同步开发环境，极大降低了协作成本。

当你第一次看到自己亲手标注的物体被模型准确识别出来时，那种从数据到智能的完整闭环体验，正是 AI 工程的魅力所在。

Windows 10下Miniconda搭建YOLOv5与LabelImg全流程