Windows 10下Miniconda配置YOLOv5与LabelImg

Windows 10下Miniconda配置YOLOv5与LabelImg全流程实战

在当前AI应用快速落地的背景下，目标检测作为计算机视觉的核心任务之一，正被广泛应用于智能监控、工业质检和自动驾驶等领域。对于开发者而言，如何高效搭建一个稳定、可复现的开发环境，往往是项目成功的第一步。

本文将带你从零开始，在Windows 10 系统上使用Miniconda（Python 3.9）构建一套完整的 YOLOv5 目标检测工作流，集成 LabelImg 实现数据标注、模型训练到推理测试的全链路实践。整个过程注重工程细节与常见问题规避，特别适合科研初探或实际项目快速验证。

环境准备：为什么选择 Miniconda？

相比直接安装 Python，Miniconda 提供了更灵活的包管理和虚拟环境支持。尤其在多项目并行时，它可以有效避免不同版本依赖之间的“依赖地狱”问题。比如 PyTorch 的 CPU 版本和 GPU 版本就不能共存于同一环境，而 Conda 正是解决这类冲突的理想工具。

下载与安装

前往官方页面获取安装包：
👉 https://docs.conda.io/en/latest/miniconda.html

Windows 用户请选择Miniconda3 Windows 64-bit的.exe安装程序，并建议安装路径为：

C:\Miniconda3

⚠️ 路径中避免中文或空格字符，否则可能引发后续命令执行异常。

安装过程中务必勾选以下两项：
- ✅ Add Miniconda to my PATH environment variable
- ✅ Register Miniconda as my default Python

如果不勾选，就需要手动添加系统环境变量，否则无法在 CMD 或 PowerShell 中直接调用conda命令。

安装完成后，打开Anaconda Prompt或任意终端输入：

conda --version python --version

预期输出类似：

conda 23.x.x Python 3.9.x

说明基础环境已就绪。

加速安装：切换为清华镜像源

默认的 conda 和 pip 源位于境外服务器，下载速度慢且容易失败。我们推荐切换为国内清华大学 TUNA 镜像源，显著提升依赖安装效率。

Conda 使用清华源

访问帮助文档：https://mirrors.tuna.tsinghua.edu.cn/help/anaconda/

先运行命令生成.condarc文件：

conda config --set show_channel_urls yes

该文件会自动创建在用户目录下：

C:\Users\你的用户名\.condarc

用文本编辑器打开后，将其内容替换为以下配置：

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

保存后清除缓存以确保新源生效：

conda clean -i

Pip 切换为清华源

Pip 同样需要更换 PyPI 源。在用户主目录下创建：

C:\Users\你的用户名\pip\pip.ini

若无pip文件夹，请手动新建。

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

此后所有pip install命令都将优先从清华镜像拉取包，速度提升明显。

创建独立虚拟环境 yolo

为了隔离项目依赖，避免与其他 Python 工程产生版本冲突，我们创建一个专用环境：

conda create -n yolo python=3.9

激活环境：

conda activate yolo

成功后命令行前缀会出现(yolo)标识：

(yolo) C:\>

查看当前所有环境：

conda env list

至此，干净、高效的开发沙箱已准备就绪。

图像标注利器：部署并使用 LabelImg

高质量的数据集是模型性能的基石。LabelImg 是一款轻量级、跨平台的图像标注工具，支持导出 VOC XML 和 YOLO.txt格式，非常适合用于构建自定义目标检测数据集。

获取源码

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

通过 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

确保处于yolo环境中：

conda activate yolo

安装核心依赖：

conda install pyqt=5 conda install -c anaconda lxml

然后编译资源文件：

pyrcc5 -o libs/resources.py resources.qrc

❗ 如果提示'pyrcc5' 不是内部或外部命令，请检查 Miniconda 的 Scripts 目录是否已加入系统 Path，例如：
C:\Miniconda3\envs\yolo\Scripts

最后启动图形界面：

python labelImg.py

正常情况下会弹出如下窗口：

快捷键与实用技巧

LabelImg 支持丰富的快捷操作，掌握它们能大幅提升标注效率：

💡经验建议：
- 在菜单栏启用Auto Save mode，切换图片时自动保存，防止意外丢失。
- 清空data/predefined_classes.txt内容，即可完全自定义类别名称，避免干扰。

部署 YOLOv5：克隆项目与依赖配置

YOLOv5 凭借其简洁的接口设计和出色的性能表现，已成为工业界最常用的目标检测框架之一。

克隆官方仓库

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

执行克隆：

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

进入项目根目录后，再次确认激活了yolo环境：

conda activate yolo

安装基础依赖

项目自带requirements.txt，一键安装大部分必要库：

pip install -r requirements.txt

安装时间取决于网络状况，通常几分钟内完成。

安装完毕后，可先运行一次检测脚本验证环境：

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

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

启用 GPU 加速：安装 CUDA 版 PyTorch

默认requirements.txt安装的是 CPU 版本 PyTorch。若你拥有 NVIDIA 显卡并已安装驱动，应替换为 GPU 版本来加速训练。

首先查看 CUDA 版本：

nvidia-smi

在输出中找到：

CUDA Version: 11.6

然后访问 PyTorch 官方稳定版页面：
🔗 https://download.pytorch.org/whl/torch_stable.html

根据你的环境选择合适的 whl 包。关键字段解释如下：

示例下载两个文件到本地（如F:\downloads\）：

• torch-1.12.1+cu116-cp39-cp39-win_amd64.whl
• torchvision-0.13.1+cu116-cp39-cp39-win_amd64.whl

卸载原有 CPU 版本：

pip uninstall torch torchvision torchaudio

按顺序安装 GPU 版本：

pip install F:\downloads\torch-1.12.1+cu116-cp39-cp39-win_amd64.whl pip install F:\downloads\torchvision-0.13.1+cu116-cp39-cp39-win_amd64.whl

验证是否启用 GPU：

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

若输出True，恭喜！你的环境现已支持 GPU 加速训练！

训练自定义 YOLOv5 模型

接下来我们将基于自己标注的数据集，微调一个专用于识别特定类别的 YOLOv5 模型。

数据集组织结构

假设我们要训练识别“A类物体”，标准目录结构如下：

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>

所有坐标值均已归一化至[0,1]区间。

编写 YAML 配置文件

在yolov5/data/目录下新建A.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']

注意路径正确性，否则训练时会报错找不到数据。

开始训练

运行训练脚本：

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: 输入图像尺寸（像素）
• --batch: 批次大小（根据显存调整，GTX 1660 可设 16，RTX 3060 可达 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微调
• --project和--name: 控制输出目录命名

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

一般推荐使用best.pt进行后续推理。

推理测试：验证模型效果

将待测图片放入inference/images/目录，执行检测：

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

参数含义：

• --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），包含带框图像及文本标注。

这套基于 Miniconda + LabelImg + YOLOv5 的完整流程，不仅适用于课程设计、毕业项目，也能支撑中小型工业场景的快速原型开发。借助虚拟环境隔离与国内镜像加速，整个搭建过程更加稳健高效。

更重要的是，它教会我们一种思维方式：面对复杂的 AI 工程任务，不必畏惧，只需一步步拆解——从环境配置、数据准备到模型调优，每个环节都可掌控。当你看到第一个自定义目标被准确框出时，那种成就感，正是推动技术前行的动力源泉。