第一阶段：安装与配置 Python 和 Conda​​
虽然 PyCharm 可以管理环境，但我们先独立准备好 Conda 环境，这样更清晰可靠。

​​1. 安装 Miniconda (Python 环境管理)​​
1.
​​下载​​：

•
访问 Miniconda 官网。

•
选择 ​​Miniconda3 Windows 64-bit​​ 安装程序（推荐 Python 3.8 或 3.9 版本）。下载文件如 Miniconda3-py38_23.5.2-0-Windows-x86_64.exe。

​​安装​​：

•
双击运行安装程序。

•
​​重要安装选项​​：

•
​​Install for:​​ Just Me (recommended)

•
​​Destination Folder:​​ 默认即可（如 C:\Users[YourUserName]\Miniconda3）。

•
​​Advanced Options:​​ ​​务必勾选两个选项​​：

•
Add Miniconda3 to my PATH environment variable

•
Register Miniconda3 as my default Python 3.8

•
点击 Install-> Next-> Finish。

​​验证 Conda 安装​​：

•
按 Win + R，输入 cmd，打开命令提示符。

•
输入 conda --version并回车。如果显示版本号（如 conda 23.5.2），则安装成功。

•
输入 python --version并回车。应显示对应的 Python 版本（如 Python 3.8.10）。

​​2. 创建专用的 PaddlePaddle Conda 环境​​
我们将创建一个纯净的环境，专门用于 PaddlePaddle 项目。

打开 ​​Anaconda Prompt (miniconda3)​​（在开始菜单中搜索）。

执行以下命令创建环境（假设命名为 paddle_env）：

conda create -n paddle_env python=3.8
3.
激活环境：

conda activate paddle_env
命令行前缀会从 (base)变为 (paddle_env)。

​​在此环境中安装 PaddlePaddle 和依赖库​​（​​请确保仍在 (paddle_env)环境中​​）：

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

安装常用数据科学和可视化库

pip install opencv-python matplotlib scikit-learn tqdm pandas

安装 PaddleSeg

pip install paddleseg
5.
​​验证环境是否装好​​：

python -c “import paddle; print(paddle.version); print(paddle.device.is_compiled_with_cuda())”
输出应为 PaddlePaddle 版本号和 True。

​​第二阶段：安装与配置 PyCharm​​
​​1. 下载和安装 PyCharm​​
1.
​​下载​​：

•
访问 JetBrains PyCharm 官网。

•
对于学习和个人使用，​​强烈推荐 Community(社区版)​​，它免费且功能足够强大。如果您需要专业版功能，可以下载 Professional并申请学生许可证或试用。

•
下载 Windows 版的 .exe安装程序。

​​安装​​：

•
双击运行安装程序。

•
​​安装选项​​：

•
​​Installation Location:​​ 默认路径即可。

•
​​Installation Options:​​

•
Create Desktop Shortcut： 勾选（创建桌面快捷方式）。

•
Update PATH variable…: ​​强烈建议勾选​​，以便从命令行启动 PyCharm。

•
Update Context Menu: 可选。

•
Create Associations: 建议将 .py文件关联到 PyCharm。

•
点击 Next-> Install-> Finish。

​​2. 创建新项目并配置解释器​​
这是最关键的一步，将 PyCharm 和我们之前创建的 Conda 环境连接起来。

​​启动 PyCharm​​： 通过桌面快捷方式或开始菜单启动。

​​创建新项目​​：

•
点击 New Project。

•
​​Location:​​ 为您的新项目选择一个存放路径和名称，例如 D:\Projects\MyPaddleSeg。

•
​​Python Interpreter: New environment using:​​ 默认是 Virtualenv。​​我们需要修改这个！​​

•
点击下拉框，选择 ​​Conda Environment​​。

•
确保 ​​Conda executable​​ 路径正确指向您的 Conda 安装（PyCharm 通常能自动检测到，如 C:\Users[YourUserName]\Miniconda3\Scripts\conda.exe）。如果未自动填充，请手动浏览找到它。

•
​​勾选 Make available to all projects​​ (可选，但推荐，这样其他项目也能方便地选用这个解释器)。

•
点击 OK。PyCharm 会自动识别出已有的 Conda 环境列表。

•
在 Interpreter下拉列表中，​​选择我们之前创建好的 paddle_env环境​​。它的路径通常是 C:\Users[YourUserName]\Miniconda3\envs\paddle_env\python.exe。

•
最终配置如下图所示：

https://resources.jetbrains.com/help/pycharm/img/tutorial/creating_conda_environment.png

​​点击 Create​​。PyCharm 会创建项目并加载该 Conda 环境作为项目的解释器。

​​3. 验证 PyCharm 中的环境​​
1.
在 PyCharm 主界面右下角，你会看到一个状态栏，这里显示了你当前使用的解释器。​​它应该显示 : paddle_env (Conda)​​。点击这里可以随时管理和切换解释器。

在项目中，右键点击项目根目录 -> New-> Python File，创建一个名为 verify_environment.py的文件。

将以下验证代码复制粘贴到文件中：

import paddle
import paddleseg
import cv2
import matplotlib
import sys

print(“=” * 50)
print(“PyCharm 环境验证报告”)
print(“=” * 50)

1. 打印所有关键库的版本

print(“1. 库版本信息:”)
print(f" PaddlePaddle 版本: {paddle.version}“)
print(f” PaddleSeg 版本: {paddleseg.version}“)
print(f” OpenCV 版本: {cv2.version}“)
print(f” Python 版本: {sys.version}")

2. 核心GPU验证

print(“\n2. GPU 支持验证:”)
cuda_compiled = paddle.device.is_compiled_with_cuda()
cuda_available = paddle.device.cuda.device_count() > 0
print(f" PaddlePaddle 是否由CUDA编译: {cuda_compiled}“) # 必须为 True
print(f” 系统是否有可用的GPU: {cuda_available}“) # 必须为 True
print(f” 当前使用的设备: {paddle.device.get_device()}") # 必须为 gpu:0

3. 执行一个简单的GPU计算测试

print(“\n3. GPU 计算测试:”)
if cuda_compiled and cuda_available:
# 设置设备为GPU
paddle.device.set_device(‘gpu:0’)
# 创建两个随机张量在GPU上
data = paddle.rand([2, 3], dtype=‘float32’)
result = data * 2
print(f" 计算成功！张量位于: {result.place}“)
print(f” 张量值:\n{result.numpy()}“)
else:
print(” 警告：无法使用GPU进行计算，请检查CUDA和cuDNN安装。")

print(“=” * 50)
print(“验证完成！如果上方所有检查项均为True，则环境配置成功！”)
print(“=” * 50)
4.
​​运行验证脚本​​：

•
在代码编辑区内​​右键点击​​。

•
选择 Run ‘verify_environment’。

•
或者，点击代码编辑器右上角的绿色小三角按钮 ▶运行。

​​查看结果​​：

•
PyCharm 底部的 ​​Run​​ 窗口会自动打开并输出结果。

•
​​成功的输出应该清晰地显示所有检查项均为 True，并且最终在 GPU 上完成了计算。​​

​​第三阶段：在 PyCharm 中开始 PaddleSeg 训练​​
环境配置成功后，您就可以在 PyCharm 的舒适环境中进行开发了。

​​组织项目结构​​（推荐）：

•
在项目根目录下创建一些文件夹，例如：

•
data/: 存放数据集（如 images, annotations子文件夹）

•
configs/: 存放 PaddleSeg 的配置文件（.yml）

•
output/: 存放模型训练输出的日志和模型权重

•
src/: 存放自己编写的工具脚本

​​准备数据和配置文件​​：

•
从 PaddleSeg 官方 GitHub 下载示例数据集（如 optic_disc_seg）和对应的配置文件（.yml 文件）。

•
将这些文件放入您项目对应的文件夹中。

​​创建训练脚本​​：

•
新建一个 Python 文件，例如 train.py。

•
您可以使用 PaddleSeg 提供的高级 API 进行训练，代码非常简单：

from paddleseg.core import train

指定配置文件的路径

config_path = ‘configs/quick_start/pp_liteseg_optic_disc_512x512_1k.yml’

开始训练！

train.main(config_path)
4.
​​运行训练​​：

•
右键点击 train.py-> Run ‘train’。

•
PyCharm 会开始执行训练任务。您可以在 Run窗口中看到详细的训练日志，包括损失、精度、进度条等，就像在命令行中一样。

​​总结​​
您现在已经完成了：

​​基础层​​：安装了 NVIDIA 驱动、CUDA 和 cuDNN。

​​环境层​​：使用 Conda 创建并配置了独立的 Python 环境，并安装了所有必要的库。

​​工具层​​：安装并配置了 PyCharm，将其与 Conda 环境成功关联。

​​验证层​​：在 PyCharm 中验证了整个环境可以正确调用 GPU 进行深度学习计算。

现在，您的 PyCharm 已经成为一个强大的 PaddlePaddle 深度学习集成开发环境（IDE），您可以高效地编写、调试和运行您的图像分割模型训练代码了。