写这篇博客的起因很简单：自己刚接触计算机视觉时，为了把 PyCharm、OpenCV、Anaconda、PyTorch、YOLOv5 这一整套环境折腾明白，前前后后重装了不知道多少次系统，踩坑踩到怀疑人生。现在回头看，其实这套环境配置的脉络非常清晰，只要理解了每个工具的角色定位和它们之间的协作关系，完全可以在一个小时内从零搭好，并且在同一个环境里跑通 YOLOv5 目标检测和 Harris/SIFT 角点检测两个经典实验。这篇文章就是想把这条完整的路线图整理出来，给正在入门 CV 的同学一条直路，避免再走我当年那些弯路。

这套组合解决的核心问题只有一个：怎么用最短的时间，在本地搭建一套足够支撑深度学习实验和传统图像处理实验的 Python 环境。整个链条的底座是 Anaconda，它负责管理 Python 版本和第三方库的依赖关系，相当于给你装了一个干净整洁的"软件管家"；PyCharm 是写代码和调试代码的前端窗口，负责把你写的 Python 脚本和 Anaconda 里的环境对接起来；OpenCV 是图像处理的基础库，Harris 角点检测和 SIFT 特征提取这类经典算法都封装在里面；PyTorch 是深度学习框架，YOLOv5 就运行在它之上。把这四层关系理清了，后面所有的安装和配置过程就有了清晰的逻辑指引。

先说一个总结性的经验，也是整篇文章最重要的一个判断：凡是环境配置搞到一半进行不下去的，八成是版本之间互相打架，而不是操作步骤有问题。所以下面所有步骤里，我会特别强调版本组合的选择，这一点一定要留意。

1. 整体设计思路：为什么用 Anaconda 作为全链路底座

很多新手一开始接触这套环境配置时，最容易犯的错误是直接去 Python 官网下载 Python 解释器，然后在 PyCharm 里配置这个全局 Python 来装各种包。这个流程对于只写简单脚本的程序来说没有问题，但一旦涉及 OpenCV、PyTorch、YOLOv5 这种依赖关系很重的库，全局 Python 环境很快就会变成一团乱麻。

我自己第一次配环境时就遇到过这样的情况：为了装 PyTorch，用 pip 命令安装，结果把系统里原有的某个库给升级了，导致另一个项目里的 OpenCV 直接无法导入，报了一堆底层依赖的错误，最后只能重装系统才恢复干净状态。后来我彻底转向了 Anaconda 的方案，这个坑就再也没踩过。

1.1 每个工具在整个体系中的角色定位

先理清这条链路上每个工具干了什么活：

• Anaconda：不是 Python 本身，而是一个 Python 发行版加环境管理工具。它自带 conda 命令，可以创建多个相互隔离的 Python 虚拟环境，每个环境里可以有不同的 Python 版本和不同的库版本，互相不干扰。这就像给你的电脑装了好几个独立的"运行沙箱"。

• PyCharm：只是代码编辑器，它本身不运行 Python 代码，也不能直接安装第三方库。它真正的作用是提供一个好用的图形界面，让你写代码、调试、查看变量、运行脚本。它需要知道"该用哪个 Python 解释器来执行你的代码"，这个解释器就可以指向 Anaconda 创建的那个虚拟环境。

• OpenCV：C++ 写的图像处理库，Python 里通过 cv2 这个包名来导入。各种传统图像处理算法（包括 Harris 角点检测、SIFT 特征提取）都在这一个库里。

• PyTorch：深度学习框架，负责神经网络的构建、训练和推理，YOLOv5 的模型结构和 forward 过程都构建在 PyTorch 的张量计算之上。

• YOLOv5：基于 PyTorch 实现的目标检测算法，是一整套包含代码、模型权重、训练脚本、推理脚本的项目代码。

这五个工具的关系可以类比成一个餐厅：Anaconda 是后厨管理间，每个虚拟环境就是一间独立的厨房，PyCharm 是点菜和打包的窗口，OpenCV 是做传统菜的师傅，PyTorch 是深度学习这边的灶台，YOLOv5 是跑在 PyTorch 这个灶台上的一个标准化菜品。

1.2 为什么不用 pip 全局安装，非要用 conda 环境隔离

这里要给新手说清楚一个关键逻辑，也是后面所有操作的基础认知：Python 的第三方包之间是有相互依赖的，比如 PyTorch 某版本依赖 numpy 的某个版本范围，OpenCV 又依赖 numpy 的另一个版本范围。如果所有包都装在系统全局的 Python 环境里，就会出现"装 A 的时候把 B 的依赖改了，导致 B 不能用"的连锁反应。

conda 的核心价值就在于环境隔离。你可以为 YOLOv5 单独创建一个环境，在里面装 PyTorch、OpenCV、numpy 等库，这几个库怎么折腾都不会影响系统里其他 Python 项目的运行。我在实际工作中会对不同项目维护不同的 conda 环境，比如 cv_env 专门跑 OpenCV 和 YOLOv5，另一个 nlp_env 专门跑自然语言处理的库，两者平时老死不相往来，要用哪个就激活哪个。

2. Anaconda 安装与 conda 基础操作

这个章节是整个环境链路的地基，Anaconda 安装好了，后面的所有事情就顺理成章。

2.1 Anaconda 下载安装的详细流程

去 Anaconda 官网下载安装包，这里只提醒一点：下载页面会明确区分 Windows、macOS、Linux 三个平台，按照自己的操作系统选对应的安装包就行。Windows 下下载的是 .exe 可执行文件，安装过程基本上是"下一步、下一步"的傻瓜式操作，但有三个细节需要特别注意。

第一个细节是安装路径的选择。Anaconda 默认会装到用户目录下的 Anaconda3 文件夹，这个路径是正常的，不需要手动更改。但要注意整个路径中不能有中文或空格，否则后面 conda 命令可能会出错。

第二个细节是安装过程中的环境变量选项。在安装界面的 Advanced Options 页面，会询问是否将 Anaconda 添加到系统 PATH 环境变量，这个选项我建议勾选上（针对 Windows 用户）。虽然官方文档建议不勾选以免影响系统原有 Python，但既然你从一开始就是全新安装，勾选可以让后面所有命令行的使用更顺手。

第三个细节是装完后测试。安装完成后，打开命令行窗口（Windows 下按 Win + R，输入 cmd，回车），输入 conda --version，如果能正常输出版本号，说明 Anaconda 安装成功。如果提示找不到 conda 命令，通常是环境变量没有生效，重启命令行窗口一般就能解决。

安装完成后，建议立刻执行 conda update conda 把这个工具本身升级到最新版本，因为新版 conda 在解析依赖时速度更快、更不容易出错。我经历过老版本 conda 安装一个包要转圈十几分钟的情况，升级后快了很多。

2.2 创建独立的 CV 虚拟环境

这是整个环境配置里最关键的一步。我们要创建一个专门的虚拟环境，起名 cv_env（名字随意），指定 Python 版本为 3.9。

为什么指定 Python 3.9 而不是最新版本？这里有个非常现实的兼容性原因：PyTorch 和 YOLOv5 官方的预编译包对 Python 版本有严格的对应关系，Python 3.9 是目前兼容性最广的一个版本，无论是 PyTorch 还是 OpenCV 的预编译 wheel 包，都对 Python 3.9 有很好的支持。我自己试过在 Python 3.11 环境下装 PyTorch，虽然可以装上，但某些老版本的 YOLOv5 代码在运行时会出现依赖报错。

打开命令行，执行以下命令：

conda create -n cv_env python=3.9

这里 -n 是 name 的意思，表示环境名称；python=3.9 表示在这个环境里安装 Python 3.9 解释器。执行过程中会提示是否确认安装，输入 y 回车等待完成即可。

创建完成后，激活这个环境：

conda activate cv_env

注意命令行前面会出现 (cv_env) 这样的提示符，说明当前正在这个虚拟环境中操作。后续所有的 pip 安装、Python 命令执行，都必须在这个激活状态下操作。

2.3 配置国内镜像源加速

这一点是给国内用户特别加的经验：Anaconda 官方源和 PyPI 官方源都在国外，直接下载依赖包的速度非常慢，经常卡在一个几十 MB 的包上下载到一半就断了。解决办法是配置国内镜像源。

对于 conda 本身，执行以下命令配置清华源：

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/ conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/ conda config --set show_channel_urls yes

对于 pip 下载 Python 包，配置清华 PyPI 镜像：

pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple

配置好后，后续安装包的速度会有质的提升。这里想特别多说一句：很多同学配置镜像这一步老是出问题，其实核心就一条，要注意镜像源的 https 地址不能写错，一个字母错了就完全没用。

3. PyCharm 安装与连接 Anaconda 环境

PyCharm 是整个开发流程里你待得最久的地方，它安装起来相对简单，真正容易卡住的是怎么把 PyCharm 和刚才创建的 conda 环境对接起来。

3.1 PyCharm 社区版与专业版怎么选

PyCharm 分为社区版（Community）和专业版（Professional）两个版本。社区版完全免费且开源，专业版是收费的商业版本。

对于计算机视觉这个方向的学习，社区版已经足够了，它的代码编辑、调试、Git 集成、Python 解释器配置等功能都完全可用。专业版的额外功能（比如远程开发、数据库工具、前端框架支持）在纯 Python 的 CV 项目中用不上太多。我的建议是：直接用社区版，完全免费，没有任何功能阉割的困扰。

3.2 下载安装与新建项目

在 PyCharm 官网下载对应系统的安装包，Windows 下是 .exe 文件。安装过程同样是下一步式的，其中有个 "Create Desktop Shortcut" 之类的选项，建议勾选上，方便后续打开。

装好后打开 PyCharm，选择 "New Project"。在弹出的创建窗口里，有一个非常重要的配置项：Location 是项目存放路径，这个随意；Interpreter 是解释器配置，这一步是关键中的关键。

第一次创建项目时，PyCharm 默认会使用系统自带的 Python 解释器，我们需要手动改成刚才创建的那个 cv_env 环境。点击解释器选项旁边的齿轮图标，选择 "Add Interpreter"（添加解释器），在弹出的窗口里选择 "Conda Environment"，然后选择 "Existing Environment"（已有环境），下拉框中就能看到 cv_env 这个环境，选中它，确认即可。

配置完成后，在 PyCharm 底部或侧边栏可以看到环境信息，显示 Python 3.9 和 cv_env，这说明 PyCharm 已经和 Anaconda 的虚拟环境完成了对接。后面在这个项目里写的所有代码，都会用 cv_env 这个环境的 Python 解释器来运行，安装在这个环境里的所有库也都能在 PyCharm 中直接导入。

我遇到过不少同学卡在这一步：已经用 conda 创建好环境了，但 PyCharm 里导入 cv2 或 torch 还是提示找不到模块。这些问题绝大多数都不需要重装任何东西，只要检查一下右下角的解释器设置，是否真的指到了 cv_env 这个环境。PyCharm 有时会自动切换解释器，如果发现代码里 import cv2 报错，第一件事就是去查看解释器设置。

4. OpenCV 引入与 Harris / SIFT 角点检测实验

环境底座打好了，现在我们终于可以开始做第一个正式的计算机视觉实验了。

4.1 OpenCV 安装与版本选择

在激活了 cv_env 的命令行里，执行 pip 安装：

pip install opencv-python

安装完成后验证：

import cv2 print(cv2.__version__)

如果能在控制台输出类似 4.8.0 的版本号，说明 OpenCV 安装成功，可以正常导入了。

这里需要说明一个 OpenCV 生态里的常见困惑：为什么有时候 pip install opencv-python 后，cv2.xfeatures2d.SIFT_create() 这个函数却不能用？

原因是 OpenCV 把一部分功能模块（包括 SIFT 和 SURF）放在了主库之外，需要用pip install opencv-contrib-python来安装带扩展模块的版本，SIFT 就是典型例子。所以，如果你打算做 SIFT 角点检测实验，请确认安装的是 opencv-contrib-python 而不是 opencv-python，或者两个都装上（contrib 版本已经包含核心功能，可以替代 opencv-python）。

我的建议是直接安装：

pip install opencv-contrib-python

这样核心功能和扩展功能都有了。另外不管装哪个版本，如果之前已经装过 opencv-python，建议先卸载（pip uninstall opencv-python），再安装 contrib 版本，避免两个包冲突导致导入报错。

4.2 角点检测实验 1：Harris 角点检测

Harris 角点检测是传统图像处理里最经典的角点检测算法，它的核心思想是：图像中角点所在的区域，在任意方向上进行微小移动时，灰度变化都非常明显。直白点说，平坦区域的灰度基本不变，边缘区域只在一个方向上变化明显，而角点区域在多个方向上都变化明显。

在 OpenCV 中调用 Harris 角点检测非常方便，完整的步骤是通过 cornerHarris 函数实现的。下面是完整的实验代码，我加了一些处理便于可视化：

import cv2 import numpy as np # 读取图片并转换为灰度图 img = cv2.imread('your_image.jpg') gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 转换为 float32 类型，因为 cornerHarris 需要这种类型 gray = np.float32(gray) # 调用 Harris 角点检测 # 参数解释：src 输入图像，blockSize 邻域大小，ksize Sobel 算子孔径大小，k 角点响应函数自由参数 dst = cv2.cornerHarris(gray, blockSize=2, ksize=3, k=0.04) # 膨胀角点结果，便于显示（让角点标记更大更明显） dst = cv2.dilate(dst, None) # 通过阈值筛选角点，在原图中标记出来 # 使用 0.01 * dst.max() 作为阈值，只显示响应值较强的角点 img[dst > 0.01 * dst.max()] = [0, 0, 255] # 显示结果 cv2.imshow('Harris Corners', img) cv2.waitKey(0) cv2.destroyAllWindows()

运行步骤非常简单：在 PyCharm 里新建一个 Python 文件，把上面的代码复制进去，把图片路径改成你自己准备好的图片（可以随便用手机拍一张有明显物体轮廓的图，或者是叉车、格子布这类角点较多的图片），然后运行。

这里想提醒一下理解原理的重要性：cornerHarris 里的 blockSize 参数表示计算角点响应时考虑的邻域范围，数值越大检测到的角点越稀疏；k 参数是经验值，影响角点检测的灵敏度，一般取 0.04 到 0.06 之间。如果你发现检测出的角点太多或者太少，优先调节这两个参数，而不是不调节就认为算法有问题。

4.3 角点检测实验 2：SIFT 特征检测

SIFT（Scale-Invariant Feature Transform，尺度不变特征变换）比 Harris 复杂得多，它的核心能力是检测出对尺度变化、旋转、光照变化都保持稳定的关键点，并且为每个关键点计算一个 128 维的特征描述子。简单说，Harris 能找到角点，SIFT 在能找到角点的同时，还能给出这个角点独一无二的数值"指纹"，后续可以通过这些指纹做图像匹配。

在 OpenCV 中使用 SIFT 的代码非常简洁：

import cv2 # 读取图片并转换为灰度图 img = cv2.imread('your_image.jpg') gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 创建 SIFT 检测器 # 注意：在旧版本 OpenCV 中是 cv2.xfeatures2d.SIFT_create() # 新版本 OpenCV 中直接使用 cv2.SIFT_create() sift = cv2.SIFT_create() # 检测关键点并计算描述子 keypoints, descriptors = sift.detectAndCompute(gray, None) # 在图像上绘制关键点 # 参数解释：result_image 输出图像，keypoints 关键点，None 表示不绘制描述子特征邻域 img_with_keypoints = cv2.drawKeypoints(gray, keypoints, None, flags=cv2.DRAW_MATCHES_FLAGS_DRAW_RICH_KEYPOINTS) # 显示结果 cv2.imshow('SIFT Keypoints', img_with_keypoints) cv2.waitKey(0) cv2.destroyAllWindows() # 打印关键点数量和描述子维度 print(f"检测到关键点数: {len(keypoints)}") print(f"描述子维度: {descriptors.shape if descriptors is not None else '未生成'}")

运行后，图像上会绘制出很多圆圈，每个圆圈的中心是一个关键点，圆圈的大小代表了该关键点的尺度（半径越大表示该特征能匹配更大范围的图像缩放），径向线表示这个关键点的主方向。

关于 cv2.SIFT_create() 和 cv2.xfeatures2d.SIFT_create() 的区别，很多老教程还在用后者，但如果你的 OpenCV 版本是 4.x，直接使用高版本的写法 cv2.SIFT_create() 就行。用旧用法会报 AttributeError 错误，因为 xfeatures2d 这个模块在新的 OpenCV 中不再默认暴露。

5. PyTorch 安装与 YOLOv5 环境搭建、实验运行

角点检测实验跑通了，说明传统图像处理环境已经扎实了。接下来进入深度学习的部分，安装 PyTorch 并运行 YOLOv5 目标检测。

5.1 PyTorch 安装：CPU 版还是 GPU 版

PyTorch 的安装是整个环境配置中最容易出现分歧的一步，因为要不要装 GPU 版本，完全取决于你的电脑有没有 NVIDIA 独立显卡，以及是否已经装好了对应的显卡驱动。

先看怎么判断自己的机器适不适合装 GPU 版本。Windows 下按下 Win + R，输入 cmd 回车，在命令行里执行 nvidia-smi，如果能正常输出显卡信息和驱动版本号，说明你的电脑有 NVIDIA 显卡且驱动已经装好，可以考虑装 GPU 版的 PyTorch。如果提示 nvidia-smi 不是内部或外部命令，说明没有 N卡或者驱动未装，那就老老实实装 CPU 版。

对于大多数入门用户和没有独显的同学，CPU 版的 PyTorch 完全够用。YOLOv5 用 CPU 跑推理确实会比 GPU 慢不少（一张普通图片可能要几秒到十几秒），但对于理解算法流程、跑通模型、做小规模实验来说没有任何问题。

安装 CPU 版本的 PyTorch 最简单的方法是：

pip install torch torchvision

这样默认会安装 CPU 版本（除非你的环境恰好在 Linux 且有 CUDA，否则默认基本是 CPU 版本，为了保险起见，我建议明确指定安装 CPU 版本，去 PyTorch 官网的 Get Started 页面选择对应配置，会给出具体的 pip 安装命令）。

判断是否安装成功，在 Python 命令行里执行：

import torch print(torch.__version__) print(torch.cuda.is_available())

如果 torch.version能正常输出版本号，说明 PyTorch 安装成功。torch.cuda.is_available() 输出 False 是正常的，说明当前使用的是 CPU 版本。如果输出 True，说明你的机器正以 GPU 模式运行 PyTorch。

这里要明确一个概念：说到底 PyTorch CPU 版本和 GPU 版本在代码层面没有任何区别，你的神经网络代码完全一样，区别只是底层计算时用的是 CPU 的张量运算还是 GPU 的 CUDA 张量运算。所以入门阶段直接装 CPU 版本，不会影响你学习任何 PyTorch 和 YOLOv5 的代码逻辑。

5.2 在同一个环境里验证 torch 和 cv2 协同工作

因为我们要用同一个 cv_env 环境跑所有实验，安装完 PyTorch 后，最好验证一下 torch 和 opencv 能不能同时在这个环境里正常导入。在 Python 中输入：

import cv2 import torch import numpy as np print("OpenCV version:", cv2.__version__) print("PyTorch version:", torch.__version__) # 用 torch 创建一个张量，转换后交给 OpenCV 做简单处理后显示大小 tensor_img = torch.rand(3, 224, 224) numpy_img = tensor_img.numpy() print("Tensor shape:", tensor_img.shape) print("Numpy array shape:", numpy_img.shape)

能正常打印出所有信息，说明 torch、cv2、numpy 三者在这个环境中已经形成了一个稳定的依赖体系。这一步验证非常有必要，比一个个单独装完就认为成功靠谱得多。

5.3 安装 YOLOv5 完整流程与踩坑记录

YOLOv5 的官方项目托管在 GitHub 上，安装分为四步：克隆项目代码、安装项目依赖、下载模型权重、运行推理脚本。

第一步，在命令行中激活 cv_env，然后进入你想放置项目的目录，执行：

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

如果没有安装 Git，可以去 Git 官网下载安装，或者直接在 GitHub 页面上下载 ZIP 压缩包，解压后进入目录。我个人更推荐用 git clone，因为后续如果想拉取项目更新会非常方便。

第二步，安装依赖：

pip install -r requirements.txt

这一步是 YOLOv5 安装过程中最容易出问题的一步。requirements.txt 文件里列出了所有依赖包，包括 torch、torchvision、opencv-python、matplotlib、pandas、seaborn 等一大堆。

因为我们已经先手动装好了 torch 和 torchvision，所以 requirements.txt 在执行时会检查并跳过已经安装好的依赖。但如果依赖版本之间有冲突，pip 会报错，此时最常见的解决思路是：先把 requirements.txt 里的 torch 和 torchvision 几行内容删掉，只安装剩下的依赖，因为这两个我们已经单独处理过了。

第三步，下载模型权重。YOLOv5 有多个不同大小的模型：yolov5s（最小最快）、yolov5m、yolov5l、yolov5x（最大最准）。入门推荐下载 yolov5s.pt，因为体积小（约 14MB），推理速度快，精度也够用。可以手动去 GitHub Releases 页面下载，也可以直接运行代码让 YOLOv5 自动下载。

第四步，运行推理。在 YOLOv5 项目目录下，执行：

python detect.py --source data/images/bus.jpg --weights yolov5s.pt --conf-thres 0.5

这里 --source 指定输入图片，--weights 指定模型权重文件，--conf-thres 是置信度阈值，表示只有置信度高于 0.5 的检测结果才会显示。YOLOv5 项目自带的 data/images 目录里有一些测试图片，直接拿来验证非常方便。

运行完成后，检测结果图会保存在 runs/detect/exp 目录下，打开就能看到汽车、人、公交车等物体被画上了边界框，框的上方标注了类别名称和置信度。看到这张图，说明 YOLOv5 已经从安装到推理整个流程全部打通了。

5.4 尝试用 YOLOv5 检测自己的图片

官方测试图片跑通之后，顺手把 --source 参数改成自己的图片路径，就能检测你手头任意一张图片里的物体了：

python detect.py --source /path/to/your_image.jpg --weights yolov5s.pt --conf-thres 0.5

也可以直接改文件名和图片路径，放进 YOLOv5 项目目录后用相对路径指定即可。实测下来，YOLOv5s 模型对常见物体（人、车、猫、狗、手提包等 COCO 数据集里的 80 个类别）识别效果很有保障，照片里的物体只要有基本的轮廓和清晰度，基本都能框出来。

有个常见问题：如果 detect.py 报错，提示 No module named 'torchvision' 或者其他模块缺失，原因几乎可以断定是当前命令行没有激活 cv_env 环境。在命令行里先执行 conda activate cv_env，再重新运行 detect.py 就能解决。

6. 常见问题排查与避坑指南

到目前为止，整个环境链路已经全部打通。最后把这些年在各类论坛、答疑群和实际经验中积累的几个高频问题整理成一个速查表，方便读者对照解决。

6.1 高频报错的解决思路汇总

6.2 YOLOv5 训练自己的数据集需要准备什么

很多同学跑通检测之后，下一步自然就想用自己的数据集来训练模型。这里提前给打一个预防针：训练是一个比安装配置复杂得多的工作，核心流程是：标注数据（用 LabelImg 或 Label Studio 画边界框并标注类别）→ 整理数据集格式（YOLO 格式的标注文件是 .txt 文件，每行表示一个目标，格式为：类别编号 x_center y_center width height，坐标值都是相对图片尺寸的归一化小数）→ 修改 YOLOv5 的 data 配置文件（指定数据集路径和类别名列表）→ 修改模型配置文件（调整类别数）→ 执行 train.py。

我没有在这里展开训练细节，因为只要你完整跑通了本文的内容，说明环境层面已经完全没有障碍了，后续训练时面对报错就能自然而然地排查，那才是真正进阶的开始。

6.3 我踩过最深的坑，希望你一步避开

最后分享两个自己在实际配置中印象最深的坑，都是把系统弄到几乎崩溃级别才总结出来的经验。

第一个坑是混用 conda 和 pip 安装大型库导致的底层依赖裂开。具体表现是：用 conda 装了 PyTorch，之后又用 pip 装了另一版本的 torch，两个版本在环境里互相覆盖，最后 import torch 直接报错。正确做法是：一个环境里安装大型框架，尽量固定在同一个包管理工具上来管理。我的习惯是：环境创建用 conda，环境内的包安装也优先用 conda；如果某个包只有 pip 版本（例如很多 GitHub 项目里的自定义包），再单独用 pip 装，但装之前先看清楚会不会动到已经装好的核心库。

第二个坑是没有养成"每装一个包就验证一次"的习惯。很多人一上来就把所有东西装完，然后一次性跑代码，报错时根本不知道是哪一步出了问题，只能全部卸载重装。我的做法是：每装完一个组件，就立刻写一行 import 语句验证能不能导入、能不能正常显示版本号。这样一个环节一个环节地确认，即使出了问题，也能在 5 分钟内定位到具体是哪个环节出了纰漏，而不是花上一天时间反复卸载重装整个系统。

这套环境配置流程，是我从零基础摸爬滚打到现在，认为最稳妥、最省心的一条路线。按着这个顺序走一遍，你得到的不仅是一个能跑的 YOLOv5 和两个角点检测实验，更是对 Python 环境管理、依赖关系、深度学习项目结构一次完整的系统认知。这种底层的环境搭建能力，在以后的每一个 CV 项目里都会派上用场。