Windows环境下深度学习环境离线安装教程（torch+ultralytics，适配YOLO）
目录
一、写在前面
最近我们给客户交付了一套基于深度学习视觉检测的工业质检方案。项目的核心思路是：使用工业相机采集产品图像，通过目标检测算法识别关键区域中的目标或缺陷，然后根据检测结果判断产品是否合格。
在算法实现上，我们采用的是 ultralytics 库中的 YOLOv8。整个训练流程大致如下：
- 使用
Labelme对图像进行矩形框标注； - 将 Labelme 生成的
.json标注文件转换为 YOLO 格式； - 使用 YOLOv8 进行目标检测模型训练；
- 训练完成后得到
.pt模型； - 根据部署需要，将
.pt模型导出为.onnx； - 最终在客户现场的检测软件中调用模型完成推理。
这套流程在我们自己的开发电脑上已经跑通。但是现在进入交付阶段，客户提出了一个很现实的问题：客户的训练机器无法联网。
客户机器的大致配置如下：
| 项目 | 配置 |
|---|---|
| 操作系统 | Windows 10 64位 |
| 显卡 | NVIDIA GeForce RTX 3050 |
| 任务 | 离线安装深度学习训练环境 |
| 主要软件 | Python、PyTorch、Ultralytics、Labelme |
| 主要用途 | 标注数据、训练 YOLOv8 模型、导出 ONNX 模型 |
由于目标机器不能联网，我们不能直接在客户机器上执行：
pip install torch ultralytics labelme
而是需要在一台可以联网的电脑上，提前下载好所有安装包、驱动、Python 安装程序以及 Python 依赖库的 .whl 文件，然后将这些文件拷贝到客户机器上进行离线安装。
本文就记录这一整套过程，目标是形成一份可以反复复用的工业现场离线部署教程。
二、整体思路
离线安装深度学习环境，最容易出问题的地方不在于某一条命令，而在于“依赖不完整”。
比如只下载了 ultralytics，但没有下载它依赖的 opencv-python、numpy、matplotlib、pyyaml 等库；或者只下载了 torch，但下载成了 CPU 版本，导致客户机器上的 RTX 3050 无法使用 GPU 训练。
因此，推荐采用下面的“两台机器协同”方式：
联网机器：
1. 下载 NVIDIA 显卡驱动
2. 下载 Python 安装包
3. 创建临时 Python 环境
4. 在线安装 torch、ultralytics、labelme 等库
5. 导出 requirements_frozen.txt
6. 根据 requirements_frozen.txt 下载全部 whl 文件
7. 整理成一个离线安装包
客户离线机器：
1. 安装 NVIDIA 显卡驱动
2. 安装 Python
3. 创建虚拟环境
4. 从本地 wheelhouse 离线安装所有 Python 包
5. 验证 torch 是否能识别 RTX 3050
6. 验证 ultralytics、labelme 是否能正常使用
7. 开始数据转换、模型训练和 ONNX 导出
三、准备阶段：确认 Python、PyTorch 与 CUDA 版本
3.1 为什么推荐 Python 3.13？
Windows下做深度学习训练，不建议盲目追新。Python 版本过新，可能导致某些库还没有对应的 Windows wheel；Python 版本过旧，又可能导致新版本的 ultralytics 不再支持。
综合兼容性考虑，推荐使用：
Python 3.13.x 64位
例如：
python-3.13.7-amd64.exe
注意，一定要下载 64 位版本。文件名里通常会带有：
amd64
不要下载 32 位版本，否则很多深度学习库无法正常安装。
3.2 PyTorch 的 CUDA 版本怎么选？
客户机器是 RTX 3050，属于 NVIDIA RTX 系列显卡，可以用于 CUDA 加速训练。
这里需要特别说明一个容易混淆的问题：
安装 PyTorch GPU 版本，并不一定需要单独安装完整的 CUDA Toolkit。
对于大多数普通训练场景，只要安装好 NVIDIA 显卡驱动，然后安装带 CUDA 支持的 PyTorch wheel 即可。PyTorch 的 CUDA wheel 已经包含运行所需的 CUDA 运行时组件。
四、在联网机器上制作离线安装包
下面操作都在一台可以联网的 Windows 电脑上完成。建议这台电脑的 Python 版本、系统位数尽量与客户机器保持一致。
4.1 下载 Python 安装包
到 Python 官网下载 Windows 64 位安装程序，例如：
python-3.13.7-amd64.exe
4.2 下载 NVIDIA 显卡驱动
到 NVIDIA 官网下载适用于：
GeForce RTX 3050
Windows 10 64-bit
的正式版驱动程序。
4.3 创建在线下载用的虚拟环境
打开 PowerShell 或 CMD，执行：
cd /d D:\offline_yolo_env
python -m venv .venv_download
.\.venv_download\Scripts\activate
python -m pip install --upgrade pip setuptools wheel
说明：
.venv_download是联网机器上的临时环境；- 它的作用是先在线安装一遍完整环境；
- 环境安装成功后，再导出完整依赖清单。
4.4 在线安装 PyTorch GPU 版本
以 CUDA 13.0 wheel 为例：
pip3 install torch torchvision --index-url https://download.pytorch.org/whl/cu130
安装完成后，先验证一下：
python -c "import torch; print(torch.__version__); print(torch.cuda.is_available())"
如果联网机器没有 NVIDIA 显卡，torch.cuda.is_available() 可能返回 False，这不一定代表安装包有问题。关键是看 torch.__version__ 中是否带有类似：
+cu130
例如：
2.12.0+cu130
这说明安装的是 CUDA 版本的 PyTorch。
4.5 在线安装 Ultralytics、Labelme 等库
继续安装项目所需库：
pip install ultralytics labelme labelme2yolo onnx onnxruntime opencv-python pillow matplotlib pandas pyyaml tqdm
4.6 导出完整依赖版本
在线安装成功后，导出当前环境的完整依赖清单：
pip freeze > D:\offline_yolo_env\requirements_frozen.txt
这个文件非常重要。它记录的是“已经在线安装并验证成功”的所有库版本。
4.7 下载所有 whl 文件
执行下面命令，把 requirements_frozen.txt 中的所有依赖下载到 wheelhouse 目录：
pip download ^
-r D:\offline_yolo_env\requirements_frozen.txt ^
-d D:\offline_yolo_env\wheelhouse ^
-i https://pypi.tuna.tsinghua.edu.cn/simple ^
--extra-index-url https://download.pytorch.org/whl/cu130
参数说明：
-r requirements_frozen.txt
表示按照完整依赖清单下载。
-d wheelhouse
表示把下载好的 .whl 文件保存到 wheelhouse 目录。
-i https://pypi.tuna.tsinghua.edu.cn/simple
表示使用国内镜像源下载普通 Python 包。
--extra-index-url https://download.pytorch.org/whl/cu130
表示额外使用 PyTorch 官方 CUDA 13.0 wheel 源下载 torch 相关包。
下载完成后，检查：
dir D:\offline_yolo_env\wheelhouse
正常情况下，里面应该有大量 .whl 文件。
五、编写离线安装脚本
为了方便客户现场安装，我们编写一个批处理脚本：
D:\offline_yolo_env\scripts\install_offline.bat
内容如下：
@echo off
REM ============================================================
REM Windows 离线安装 YOLOv8 深度学习环境脚本
REM 适用场景：
REM 1. 客户机器不能联网
REM 2. 已提前准备好 Python 安装包、NVIDIA 驱动、wheelhouse
REM 3. 当前脚本放在 offline_yolo_env\scripts 目录下
REM ============================================================
REM 获取当前脚本所在目录
set "SCRIPT_DIR=%~dp0"
REM offline_yolo_env 根目录 = scripts 的上一级目录
for %%I in ("%SCRIPT_DIR%..") do set "ROOT_DIR=%%~fI"
echo.
echo ============================================================
echo 离线环境根目录:
echo %ROOT_DIR%
echo ============================================================
echo.
REM 进入根目录
cd /d "%ROOT_DIR%"
REM 创建 Python 虚拟环境
REM 注意：这里要求系统已经安装好 Python，并且 python 命令可用
echo [1/4] 正在创建虚拟环境 .venv ...
python -m venv .venv
REM 激活虚拟环境
echo [2/4] 正在激活虚拟环境 ...
call "%ROOT_DIR%\.venv\Scripts\activate.bat"
REM 使用本地 wheelhouse 升级 pip、setuptools、wheel
echo [3/4] 正在离线安装基础构建工具 ...
python -m pip install --no-index --find-links="%ROOT_DIR%\wheelhouse" --upgrade pip setuptools wheel
REM 根据 requirements_frozen.txt 离线安装全部依赖
echo [4/4] 正在离线安装项目依赖 ...
python -m pip install --no-index --find-links="%ROOT_DIR%\wheelhouse" -r "%ROOT_DIR%\requirements_frozen.txt"
echo.
echo ============================================================
echo 离线安装完成，开始验证环境
echo ============================================================
echo.
python "%ROOT_DIR%\scripts\verify_env.py"
echo.
pause
六、编写环境验证脚本
创建：
D:\offline_yolo_env\scripts\verify_env.py
内容如下：
"""
verify_env.py
功能：
验证离线安装后的深度学习环境是否可用。
检查内容：
1. Python 是否可用
2. torch 是否安装成功
3. CUDA 是否可用
4. 当前 GPU 名称
5. ultralytics 是否安装成功
"""
import sys
def main():
print("=" * 60)
print("Python 环境信息")
print("=" * 60)
print("Python 可执行文件:", sys.executable)
print("Python 版本:", sys.version)
print("\n" + "=" * 60)
print("PyTorch / CUDA 检查")
print("=" * 60)
try:
import torch
print("torch 版本:", torch.__version__)
print("CUDA 是否可用:", torch.cuda.is_available())
if torch.cuda.is_available():
print("CUDA 版本:", torch.version.cuda)
print("GPU 数量:", torch.cuda.device_count())
print("当前 GPU:", torch.cuda.get_device_name(0))
else:
print("警告：torch.cuda.is_available() 返回 False")
print("请检查：")
print("1. 是否安装了 NVIDIA 显卡驱动")
print("2. 是否安装了 GPU 版本 torch")
print("3. torch 版本中是否包含 +cuXXX")
print("4. 是否误装了 CPU 版本 torch")
except Exception as e:
print("torch 导入失败:", repr(e))
print("\n" + "=" * 60)
print("Ultralytics 检查")
print("=" * 60)
try:
import ultralytics
print("ultralytics 版本:", ultralytics.__version__)
print("ultralytics 导入成功")
except Exception as e:
print("ultralytics 导入失败:", repr(e))
print("\n" + "=" * 60)
print("\n环境验证结束。")
if __name__ == "__main__":
main()
七、在客户离线机器上安装环境
将整个目录：
D:\offline_yolo_env
拷贝到客户机器上。
建议仍然放到：
D:\offline_yolo_env
尽量避免放在中文路径、空格很多的路径或者层级特别深的路径中。
7.1 安装 NVIDIA 显卡驱动
进入：
D:\offline_yolo_env\installers\
双击运行：
NVIDIA-GeForce-Driver-Win10.exe
安装完成后重启电脑。
重启后打开 CMD，执行：
nvidia-smi
如果能看到 RTX 3050 以及驱动版本，说明显卡驱动安装成功。
如果提示：
'nvidia-smi' 不是内部或外部命令
可以尝试进入下面目录执行：
cd /d "C:\Program Files\NVIDIA Corporation\NVSMI"
nvidia-smi
7.2 安装 Python
进入：
D:\offline_yolo_env\installers\
双击运行：
python-3.13.7-amd64.exe
安装时一定要勾选：
Add python.exe to PATH
然后点击：
Install Now
安装完成后打开新的 CMD，执行：
python --version
pip --version
如果能正常显示版本号，说明 Python 安装成功。
7.3 执行离线安装脚本
进入：
D:\offline_yolo_env\scripts\
双击运行：
install_offline.bat
或者在 CMD 中执行：
cd /d D:\offline_yolo_env\scripts
install_offline.bat
安装完成后，会自动执行 verify_env.py。
重点关注下面几行：
torch 版本: 2.x.x+cu126
CUDA 是否可用: True
当前 GPU: NVIDIA GeForce RTX 3050
ultralytics 导入成功
如果以上信息都正常，说明离线深度学习环境安装成功。
通过这套流程，我们可以在客户无法联网的情况下，仍然完整搭建深度学习训练环境，并支持后续模型迭代。这对于工业质检项目的现场交付非常实用。
更多推荐
9
0- 0
已为社区贡献10条内容
所有评论(0)