避坑指南：用Anaconda+Pycharm搞定YOLOv5+DeepSort车辆跟踪（附完整依赖版本）
避坑指南：用Anaconda+Pycharm搞定YOLOv5+DeepSort车辆跟踪（附完整依赖版本）
在计算机视觉领域，目标跟踪一直是个热门话题。YOLOv5作为当前最流行的实时目标检测算法之一，与DeepSort多目标跟踪算法的结合，为车辆跟踪等场景提供了强大的解决方案。然而，对于刚接触这个领域的新手来说，最大的挑战往往不是算法本身，而是环境配置和依赖管理。
记得我第一次尝试运行YOLOv5+DeepSort项目时，花了整整两天时间解决各种环境问题。从torch版本不兼容到CUDA驱动问题，再到各种神秘的依赖冲突，每一步都充满了"惊喜"。这也让我深刻认识到，在AI项目开发中，环境配置的坑远比代码本身更难对付。
本文将带你一步步避开这些陷阱，用Anaconda和Pycharm搭建一个稳定可靠的开发环境。我们不仅会提供经过验证的完整依赖版本列表，还会解释每个关键步骤背后的原理，让你真正理解为什么要这么做，而不仅仅是照搬操作。
1. 环境准备：构建安全的开发沙盒
在开始之前，我们需要建立一个隔离的开发环境。这就像是在你的主系统之外创建一个干净的沙盒，任何操作都不会影响到其他项目。Anaconda的虚拟环境功能正是为此而生。
1.1 安装Anaconda与Pycharm
如果你还没有安装这两个工具，建议从官网下载最新版本：
- Anaconda：[官方下载页面]
- Pycharm：[官方下载页面]
安装时注意勾选"Add to PATH"选项，这样可以在命令行直接使用conda命令。安装完成后，建议先更新conda到最新版本：
conda update -n base -c defaults conda1.2 创建专用虚拟环境
我们将创建一个名为yolov5_deepsort的Python 3.8环境（这个版本在兼容性和性能之间取得了很好的平衡）：
conda create -n yolov5_deepsort python=3.8 conda activate yolov5_deepsort注意：虽然很多教程使用Python 3.7，但3.8对较新的CUDA版本支持更好，而且大多数主流库都已适配。
2. 关键依赖安装与版本锁定
这是最容易出错的环节。很多项目提供的requirements.txt只指定了最低版本要求，但实际运行时可能需要特定版本才能正常工作。
2.1 PyTorch与CUDA的版本匹配
PyTorch的版本必须与你的CUDA驱动兼容。首先检查你的NVIDIA驱动支持的CUDA版本：
nvidia-smi根据输出中的CUDA Version选择对应的PyTorch版本。例如，如果你的CUDA版本是11.3，应该安装：
pip install torch==1.12.1+cu113 torchvision==0.13.1+cu113 torchaudio==0.12.1 --extra-index-url https://download.pytorch.org/whl/cu1132.2 核心依赖版本清单
以下是经过验证的完整依赖列表（保存为requirements.txt）：
numpy==1.21.6 opencv-python==4.5.5.64 scipy==1.7.3 matplotlib==3.5.3 pillow==9.2.0 tqdm==4.64.0 seaborn==0.11.2 pandas==1.3.5 pyyaml==6.0 scikit-learn==1.0.2 filterpy==1.4.5 lap==0.4.0安装这些依赖：
pip install -r requirements.txt3. 项目配置与常见问题解决
3.1 项目结构解析
典型的YOLOv5+DeepSort项目包含以下关键目录和文件：
project_root/ ├── models/ # YOLOv5模型文件 ├── utils/ # 工具函数 ├── deep_sort/ # DeepSort实现 ├── detect.py # 检测脚本 ├── track.py # 跟踪脚本 └── requirements.txt # 依赖文件3.2 常见错误及解决方案
| 错误类型 | 可能原因 | 解决方案 |
|---|---|---|
| ImportError | 依赖版本不匹配 | 使用我们提供的精确版本 |
| CUDA out of memory | 显存不足 | 减小batch size或图像尺寸 |
| AttributeError | 接口变更 | 检查对应库的版本变更说明 |
3.3 性能优化技巧
启用半精度推理：可以显著减少显存占用并提高速度
model = torch.half() # 转换模型为半精度调整检测置信度阈值：平衡准确率和召回率
conf_thres = 0.4 # 默认0.25，可根据场景调整使用TensorRT加速：对于部署环境，可以考虑将模型转换为TensorRT格式
4. 实际应用与扩展
4.1 自定义数据集训练
虽然本文主要关注推理部署，但如果你想训练自己的模型：
- 准备数据集（推荐使用LabelImg标注）
- 修改data/custom.yaml配置文件
- 运行训练命令：
python train.py --img 640 --batch 16 --epochs 100 --data custom.yaml --weights yolov5s.pt
4.2 多摄像头支持
对于监控等需要多路视频输入的场景，可以修改跟踪脚本支持多路输入：
# 多视频源示例 video_sources = [ 'video1.mp4', 'video2.mp4', 'rtsp://admin:password@192.168.1.64/1' ] for source in video_sources: detect_and_track(source)4.3 结果可视化与分析
除了基本的视频输出，还可以添加以下功能：
- 轨迹绘制：在帧上绘制目标运动轨迹
- 计数功能：统计进出特定区域的车辆数量
- 速度估计：基于帧间位移估算车辆速度
# 简单的计数实现示例 counter = 0 def count_cars(detections): global counter counter += len(detections) print(f"Total cars detected: {counter}")5. 项目维护与更新
随着时间推移，依赖库会不断更新，如何保持项目稳定运行？
- 版本锁定：始终使用requirements.txt精确指定版本
- 定期测试：在更新任何依赖前，先在测试环境验证
- 变更日志：记录每次环境变更及其影响
一个实用的技巧是使用pip freeze生成当前环境的完整快照：
pip freeze > full_requirements.txt这样可以在任何时候重建完全相同的环境。