第一階段：安裝與配置 Python 和 Conda??
雖然 PyCharm 可以管理環境，但我們先獨立準備好 Conda 環境，這樣更清晰可靠。

??1. 安裝 Miniconda (Python 環境管理)??
1.
??下載??：

?
訪問 Miniconda 官網。

?
選擇 ??Miniconda3 Windows 64-bit?? 安裝程序（推薦 Python 3.8 或 3.9 版本）。下載文件如 Miniconda3-py38_23.5.2-0-Windows-x86_64.exe。

??安裝??：

?
雙擊運行安裝程序。

?
??重要安裝選項??：

?
??Install for:?? Just Me (recommended)

?
??Destination Folder:?? 默認即可（如 C:\Users[YourUserName]\Miniconda3）。

?
??Advanced Options:?? ??務必勾選兩個選項??：

?
Add Miniconda3 to my PATH environment variable

?
Register Miniconda3 as my default Python 3.8

?
點擊 Install-> Next-> Finish。

??驗證 Conda 安裝??：

?
按 Win + R，輸入 cmd，打開命令提示符。

?
輸入 conda --version并回車。如果顯示版本號（如 conda 23.5.2），則安裝成功。

?
輸入 python --version并回車。應顯示對應的 Python 版本（如 Python 3.8.10）。

??2. 創建專用的 PaddlePaddle Conda 環境??
我們將創建一個純凈的環境，專門用于 PaddlePaddle 項目。

打開 ??Anaconda Prompt (miniconda3)??（在開始菜單中搜索）。

執行以下命令創建環境（假設命名為 paddle_env）：

conda create -n paddle_env python=3.8
3.
激活環境：

conda activate paddle_env
命令行前綴會從 (base)變為 (paddle_env)。

??在此環境中安裝 PaddlePaddle 和依賴庫??（??請確保仍在 (paddle_env)環境中??）：

安裝 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

安裝常用數據科學和可視化庫

pip install opencv-python matplotlib scikit-learn tqdm pandas

安裝 PaddleSeg

pip install paddleseg
5.
??驗證環境是否裝好??：

python -c “import paddle; print(paddle.version); print(paddle.device.is_compiled_with_cuda())”
輸出應為 PaddlePaddle 版本號和 True。

??第二階段：安裝與配置 PyCharm??
??1. 下載和安裝 PyCharm??
1.
??下載??：

?
訪問 JetBrains PyCharm 官網。

?
對于學習和個人使用，??強烈推薦 Community(社區版)??，它免費且功能足夠強大。如果您需要專業版功能，可以下載 Professional并申請學生許可證或試用。

?
下載 Windows 版的 .exe安裝程序。

??安裝??：

?
雙擊運行安裝程序。

?
??安裝選項??：

?
??Installation Location:?? 默認路徑即可。

?
??Installation Options:??

?
Create Desktop Shortcut： 勾選（創建桌面快捷方式）。

?
Update PATH variable…: ??強烈建議勾選??，以便從命令行啟動 PyCharm。

?
Update Context Menu: 可選。

?
Create Associations: 建議將 .py文件關聯到 PyCharm。

?
點擊 Next-> Install-> Finish。

??2. 創建新項目并配置解釋器??
這是最關鍵的一步，將 PyCharm 和我們之前創建的 Conda 環境連接起來。

??啟動 PyCharm??： 通過桌面快捷方式或開始菜單啟動。

??創建新項目??：

?
點擊 New Project。

?
??Location:?? 為您的新項目選擇一個存放路徑和名稱，例如 D:\Projects\MyPaddleSeg。

?
??Python Interpreter: New environment using:?? 默認是 Virtualenv。??我們需要修改這個！??

?
點擊下拉框，選擇 ??Conda Environment??。

?
確保 ??Conda executable?? 路徑正確指向您的 Conda 安裝（PyCharm 通常能自動檢測到，如 C:\Users[YourUserName]\Miniconda3\Scripts\conda.exe）。如果未自動填充，請手動瀏覽找到它。

?
??勾選 Make available to all projects?? (可選，但推薦，這樣其他項目也能方便地選用這個解釋器)。

?
點擊 OK。PyCharm 會自動識別出已有的 Conda 環境列表。

?
在 Interpreter下拉列表中，??選擇我們之前創建好的 paddle_env環境??。它的路徑通常是 C:\Users[YourUserName]\Miniconda3\envs\paddle_env\python.exe。

?
最終配置如下圖所示：

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

??點擊 Create??。PyCharm 會創建項目并加載該 Conda 環境作為項目的解釋器。

??3. 驗證 PyCharm 中的環境??
1.
在 PyCharm 主界面右下角，你會看到一個狀態欄，這里顯示了你當前使用的解釋器。??它應該顯示 : paddle_env (Conda)??。點擊這里可以隨時管理和切換解釋器。

在項目中，右鍵點擊項目根目錄 -> New-> Python File，創建一個名為 verify_environment.py的文件。

將以下驗證代碼復制粘貼到文件中：

import paddle
import paddleseg
import cv2
import matplotlib
import sys

print(“=” * 50)
print(“PyCharm 環境驗證報告”)
print(“=” * 50)

1. 打印所有關鍵庫的版本

print(“1. 庫版本信息:”)
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驗證

print(“\n2. GPU 支持驗證:”)
cuda_compiled = paddle.device.is_compiled_with_cuda()
cuda_available = paddle.device.cuda.device_count() > 0
print(f" PaddlePaddle 是否由CUDA編譯: {cuda_compiled}“) # 必須為 True
print(f” 系統是否有可用的GPU: {cuda_available}“) # 必須為 True
print(f” 當前使用的設備: {paddle.device.get_device()}") # 必須為 gpu:0

3. 執行一個簡單的GPU計算測試

print(“\n3. GPU 計算測試:”)
if cuda_compiled and cuda_available:
# 設置設備為GPU
paddle.device.set_device(‘gpu:0’)
# 創建兩個隨機張量在GPU上
data = paddle.rand([2, 3], dtype=‘float32’)
result = data * 2
print(f" 計算成功！張量位于: {result.place}“)
print(f” 張量值:\n{result.numpy()}“)
else:
print(” 警告：無法使用GPU進行計算，請檢查CUDA和cuDNN安裝。")

print(“=” * 50)
print(“驗證完成！如果上方所有檢查項均為True，則環境配置成功！”)
print(“=” * 50)
4.
??運行驗證腳本??：

?
在代碼編輯區內??右鍵點擊??。

?
選擇 Run ‘verify_environment’。

?
或者，點擊代碼編輯器右上角的綠色小三角按鈕 ?運行。

??查看結果??：

?
PyCharm 底部的 ??Run?? 窗口會自動打開并輸出結果。

?
??成功的輸出應該清晰地顯示所有檢查項均為 True，并且最終在 GPU 上完成了計算。??

??第三階段：在 PyCharm 中開始 PaddleSeg 訓練??
環境配置成功后，您就可以在 PyCharm 的舒適環境中進行開發了。

??組織項目結構??（推薦）：

?
在項目根目錄下創建一些文件夾，例如：

?
data/: 存放數據集（如 images, annotations子文件夾）

?
configs/: 存放 PaddleSeg 的配置文件（.yml）

?
output/: 存放模型訓練輸出的日志和模型權重

?
src/: 存放自己編寫的工具腳本

??準備數據和配置文件??：

?
從 PaddleSeg 官方 GitHub 下載示例數據集（如 optic_disc_seg）和對應的配置文件（.yml 文件）。

?
將這些文件放入您項目對應的文件夾中。

??創建訓練腳本??：

?
新建一個 Python 文件，例如 train.py。

?
您可以使用 PaddleSeg 提供的高級 API 進行訓練，代碼非常簡單：

from paddleseg.core import train

指定配置文件的路徑

config_path = ‘configs/quick_start/pp_liteseg_optic_disc_512x512_1k.yml’

開始訓練！

train.main(config_path)
4.
??運行訓練??：

?
右鍵點擊 train.py-> Run ‘train’。

?
PyCharm 會開始執行訓練任務。您可以在 Run窗口中看到詳細的訓練日志，包括損失、精度、進度條等，就像在命令行中一樣。

??總結??
您現在已經完成了：

??基礎層??：安裝了 NVIDIA 驅動、CUDA 和 cuDNN。

??環境層??：使用 Conda 創建并配置了獨立的 Python 環境，并安裝了所有必要的庫。

??工具層??：安裝并配置了 PyCharm，將其與 Conda 環境成功關聯。

??驗證層??：在 PyCharm 中驗證了整個環境可以正確調用 GPU 進行深度學習計算。

現在，您的 PyCharm 已經成為一個強大的 PaddlePaddle 深度學習集成開發環境（IDE），您可以高效地編寫、調試和運行您的圖像分割模型訓練代碼了。