避坑指南：Windows下用Anaconda安装Segmentation Models Pytorch如何避免CPU版Torch？

weixin_30764883

618人浏览 · 2026-05-28 16:11:07

weixin_30764883 · 2026-05-28 16:11:07 发布

Windows下Anaconda环境配置Segmentation Models Pytorch的GPU加速终极方案

当你在Windows系统下使用Anaconda安装Segmentation Models Pytorch（SMP）时，是否遇到过自动安装CPU版Torch导致训练速度慢如蜗牛的问题？这几乎是每个深度学习初学者在搭建图像分割环境时都会踩的坑。本文将彻底解决这个痛点，带你从零配置一个完美的GPU加速开发环境。

1. 环境准备：避开CPU版Torch的陷阱

许多开发者在使用 pip install segmentation-models-pytorch 命令时，会发现自动安装的是CPU版本的PyTorch。这不仅浪费了你的GPU资源，更会让训练时间成倍增加。要理解这个问题的根源，我们需要先了解pip的依赖解析机制。

为什么会出现这个问题？

SMP的PyPI包默认依赖的是PyTorch的基础版本
pip在解析依赖时倾向于选择兼容性最强的版本
Windows平台的特殊性导致GPU版本不会自动匹配

解决方案的核心思路 ：

# 错误的安装方式（会导致CPU版Torch）
pip install segmentation-models-pytorch

# 正确的做法是先安装GPU版Torch，再安装SMP
pip install torch==1.7.1+cu110 torchvision==0.8.2+cu110 -f https://download.pytorch.org/whl/torch_stable.html
pip install segmentation-models-pytorch

提示：这里的cu110表示CUDA 11.0版本，你需要根据自己显卡的CUDA版本进行调整

2. 确认CUDA版本与PyTorch匹配

在安装GPU版PyTorch前，必须确保CUDA版本与PyTorch版本完全匹配。以下是详细的操作步骤：

2.1 查看CUDA版本

在Windows系统中，有三种方法可以查看CUDA版本：

命令行查看：
```
nvcc --version
```
通过NVIDIA控制面板查看
检查环境变量 CUDA_PATH

2.2 选择正确的PyTorch版本

PyTorch官方提供了完整的版本匹配表格：

CUDA版本	PyTorch版本	下载命令
11.1	1.8.0+cu111	`pip install torch==1.8.0+cu111`
11.0	1.7.1+cu110	`pip install torch==1.7.1+cu110`
10.2	1.6.0+cu102	`pip install torch==1.6.0+cu102`

2.3 手动下载whl文件

对于网络不稳定的用户，建议直接从PyTorch官网下载对应的whl文件：

访问 https://download.pytorch.org/whl/torch_stable.html
搜索与你的Python版本、CUDA版本匹配的whl文件

下载后使用pip本地安装：

pip install torch-1.7.1+cu110-cp37-cp37m-win_amd64.whl

3. 创建虚拟环境与完整安装流程

为了避免污染基础环境，我们使用Anaconda创建一个独立的虚拟环境。以下是完整的操作流程：

3.1 创建虚拟环境

conda create -n smp_gpu python=3.7
conda activate smp_gpu

3.2 安装GPU版PyTorch

pip install torch==1.7.1+cu110 torchvision==0.8.2+cu110 -f https://download.pytorch.org/whl/torch_stable.html

3.3 安装SMP及其他依赖

pip install segmentation-models-pytorch
pip install albumentations matplotlib imageio opencv-python

3.4 验证安装

创建一个Python脚本运行以下代码：

import torch
print(torch.cuda.is_available())  # 应该输出True
print(torch.version.cuda)         # 应该显示你的CUDA版本

import segmentation_models_pytorch as smp
print(smp.__version__)            # 应该显示SMP版本

4. PyCharm中的环境配置

许多开发者习惯使用PyCharm进行开发，这里介绍如何正确配置：

打开PyCharm → File → Settings → Project → Python Interpreter
点击齿轮图标 → Add → Conda Environment

选择Existing environment，路径通常为：

C:\Users\你的用户名\anaconda3\envs\smp_gpu\python.exe

应用设置后，在PyCharm的终端中运行 nvidia-smi 确认GPU可见

注意：如果遇到"找不到模块"的错误，请检查PyCharm是否使用了正确的解释器路径

5. 常见问题与解决方案

问题1：安装后torch.cuda.is_available()返回False

可能原因及解决方案：

CUDA版本不匹配 → 重新安装对应版本的PyTorch
显卡驱动过旧 → 更新NVIDIA驱动
系统环境变量未正确设置 → 检查PATH中是否包含CUDA路径

问题2：运行时出现CUDA out of memory

这是显存不足的表现，可以尝试：

减小batch size
使用更小的模型
启用混合精度训练

问题3：训练速度没有明显提升

检查以下几点：

确认数据加载没有成为瓶颈（使用prefetch）
检查GPU利用率（nvidia-smi）
确保没有在代码中意外将数据转移到CPU

6. 高级优化技巧

6.1 使用国内镜像加速安装

对于依赖包的安装，可以使用国内镜像源大幅提升速度：

pip install -i https://pypi.tuna.tsinghua.edu.cn/simple some-package

常用镜像源：

清华：https://pypi.tuna.tsinghua.edu.cn/simple
阿里云：http://mirrors.aliyun.com/pypi/simple
豆瓣：http://pypi.douban.com/simple

6.2 混合精度训练

通过启用AMP（自动混合精度）可以进一步提升训练速度：

from torch.cuda.amp import autocast, GradScaler

scaler = GradScaler()

with autocast():
    outputs = model(inputs)
    loss = criterion(outputs, targets)
    
scaler.scale(loss).backward()
scaler.step(optimizer)
scaler.update()

6.3 数据加载优化

使用 DataLoader 的多个worker和pin_memory加速数据加载：

train_loader = DataLoader(
    dataset,
    batch_size=16,
    shuffle=True,
    num_workers=4,
    pin_memory=True
)

7. 实际项目中的最佳实践

在真实项目中，我们还需要考虑以下几点：

模型选择 ：SMP提供了多种架构（Unet, Unet++, FPN等），根据任务需求选择
预处理 ：使用albumentations进行高效的数据增强
损失函数 ：根据任务类型选择合适的损失函数（DiceLoss, JaccardLoss等）
评估指标 ：设置合理的评估指标（IoU, Accuracy等）

一个完整的训练流程示例：

import segmentation_models_pytorch as smp

model = smp.UnetPlusPlus(
    encoder_name="resnet34",
    encoder_weights="imagenet",
    classes=1,
    activation="sigmoid"
)

preprocessing_fn = smp.encoders.get_preprocessing_fn("resnet34", "imagenet")

train_dataset = Dataset(
    x_train_dir,
    y_train_dir,
    augmentation=get_training_augmentation(),
    preprocessing=get_preprocessing(preprocessing_fn),
    classes=CLASSES,
)

train_loader = DataLoader(train_dataset, batch_size=8, shuffle=True, num_workers=4)

通过本文的指导，你应该已经成功配置好了GPU加速的SMP开发环境。在实际使用中，根据具体任务调整模型参数和数据预处理流程，将能充分发挥GPU的计算能力，让你的图像分割任务飞起来。