5步快速上手：在Windows上运行EagleEye，体验工业级目标检测
5步快速上手：在Windows上运行EagleEye，体验工业级目标检测
想在自己的Windows电脑上体验毫秒级目标检测吗？今天我们将带你5步完成EagleEye的部署，这是一款基于DAMO-YOLO TinyNAS架构的工业级目标检测引擎。无需复杂配置，跟着教程走，20分钟内就能看到实际效果。
1. 准备工作：检查你的系统环境
在开始之前，我们需要确保你的电脑满足运行EagleEye的基本要求。
1.1 硬件与系统要求
- 操作系统：Windows 10 2004版或更高（建议Windows 11）
- CPU：支持虚拟化技术（在BIOS中已启用）
- 内存：至少16GB（推荐32GB以获得更好体验）
- GPU：NVIDIA显卡（RTX 3060及以上，本教程以RTX 4090为例）
- 存储空间：至少20GB可用空间
1.2 需要提前下载的内容
- WSL2 Linux内核更新包
- 最新版NVIDIA驱动
- Ubuntu 22.04 LTS（通过Microsoft Store安装）
2. 第一步：启用WSL2并安装Ubuntu
WSL2让我们能在Windows上原生运行Linux系统，是部署EagleEye的基础。
2.1 启用WSL功能
- 以管理员身份打开PowerShell
- 依次执行以下命令：
dism.exe /online /enable-feature /featurename:Microsoft-Windows-Subsystem-Linux /all /norestart dism.exe /online /enable-feature /featurename:VirtualMachinePlatform /all /norestart- 重启电脑使更改生效
2.2 安装WSL2内核
- 双击运行之前下载的WSL2 Linux内核更新包
- 安装完成后，在PowerShell中设置WSL2为默认版本：
wsl --set-default-version 22.3 安装Ubuntu系统
- 打开Microsoft Store，搜索"Ubuntu 22.04 LTS"并安装
- 安装完成后启动Ubuntu，首次启动会提示设置用户名和密码
3. 第二步：配置GPU支持环境
现在我们需要让Ubuntu能够识别并使用Windows主机上的NVIDIA GPU。
3.1 更新系统并安装基础工具
在Ubuntu终端中执行：
sudo apt update && sudo apt upgrade -y sudo apt install -y wget git build-essential3.2 安装CUDA工具包
sudo apt install -y nvidia-cuda-toolkit安装完成后验证GPU是否识别成功：
nvidia-smi如果看到GPU信息表格，说明配置成功。
4. 第三步：安装Python环境与依赖
我们将使用conda来管理Python环境，避免包冲突。
4.1 安装Miniconda
wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh -O miniconda.sh bash miniconda.sh -b -p $HOME/miniconda echo 'export PATH="$HOME/miniconda/bin:$PATH"' >> ~/.bashrc source ~/.bashrc4.2 创建专用Python环境
conda create -n eagleeye python=3.9 -y conda activate eagleeye4.3 安装PyTorch
根据nvidia-smi显示的CUDA版本，安装对应版本的PyTorch。例如CUDA 12.1：
pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121验证安装：
python -c "import torch; print(torch.__version__); print(torch.cuda.is_available())"5. 第四步：部署EagleEye项目
环境准备就绪，现在可以部署EagleEye了。
5.1 克隆项目代码
git clone https://github.com/your-username/EagleEye-DAMO-YOLO.git cd EagleEye-DAMO-YOLO5.2 安装项目依赖
pip install -r requirements.txt5.3 下载模型权重
mkdir -p weights cd weights wget -O damo-yolo-tinynas.pth https://example.com/path/to/damo-yolo-tinynas.pth cd ..6. 第五步：启动并使用EagleEye
6.1 启动Streamlit前端
streamlit run app/main.py --server.port 8501 --server.address 0.0.0.0启动后，在Windows浏览器中访问http://localhost:8501
6.2 体验目标检测功能
- 上传一张包含目标的图片（JPG/PNG格式）
- 系统会自动进行检测，并在右侧显示结果
- 调整左侧"Confidence Threshold"滑块：
- 调高(>0.6)：减少误报，适合严谨场景
- 调低(<0.3)：减少漏检，适合探索性分析
7. 总结与进阶建议
7.1 关键步骤回顾
通过这5个步骤，我们完成了：
- WSL2和Ubuntu的安装
- GPU环境的配置
- Python深度学习环境的搭建
- EagleEye项目的部署
- 目标检测功能的体验
7.2 下一步探索方向
- 尝试不同的图片和视频输入
- 了解代码结构，修改前端界面
- 测试其他DAMO-YOLO模型变体
- 将检测引擎集成到自己的项目中
EagleEye的毫秒级响应和本地化处理特性，使其成为工业场景的理想选择。现在，你已经可以在自己的Windows电脑上体验这一强大功能了。
获取更多AI镜像
想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。