1. 项目概述与环境配置目标
最近在做一个工业质检项目,需要同时实现目标检测和条码识别功能。经过技术选型,最终决定采用YOLOv11作为目标检测框架,搭配PaddlePaddle深度学习平台,同时集成ZXing条码识别库。这套方案在测试中表现相当不错,检测精度达到98.7%,条码识别率99.2%。不过环境配置过程踩了不少坑,今天就把完整的配置过程记录下来,给有类似需求的同行参考。
这个环境配置主要解决三个核心问题:
- 目标检测模型的训练与推理(YOLOv11)
- 深度学习框架的支持(PaddlePaddle-GPU版)
- 条码识别功能的实现(ZXing)
特别提醒:建议使用Anaconda创建独立Python环境,避免与现有环境冲突。我使用的是Python 3.8版本,经测试兼容性最佳。
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 基础环境搭建
2.1 Conda环境创建与基础包安装
首先创建一个名为paddle_yz的conda环境(名称可自定):
bash复制conda create -n paddle_yz python=3.8 -y
conda activate paddle_yz
接着安装基础依赖包:
bash复制pip install numpy==1.24.4 opencv-python==4.10.0.84 pillow==11.0.0
这里特别说明版本锁定的原因:
- NumPy 1.24.4:经测试与PaddlePaddle 2.6.x兼容性最好
- OpenCV 4.10.0:该版本对YOLO系列模型的支持最稳定
- Pillow 11.0.0:图像处理库,版本过高可能导致ZXing兼容性问题
2.2 CUDA与cuDNN配置
由于使用GPU加速,需要先配置CUDA环境。我的环境是:
- NVIDIA Driver: 535.86.05
- CUDA: 11.8
- cuDNN: 8.6.0
验证CUDA是否可用:
bash复制nvcc --version
如果显示CUDA版本信息,说明驱动安装正确。接下来安装PaddlePaddle的GPU版本:
bash复制python -m pip install paddlepaddle-gpu==2.6.2.post118 -f h
