别再折腾双系统了！Win11/Win10下用WSL2搞定PyTorch+CUDA环境（附YOLOv5实战）
在Windows上打造高效深度学习环境：WSL2+PyTorch+CUDA全攻略
对于许多刚接触深度学习的开发者来说，环境配置往往是最令人头疼的第一步。传统做法要么是在Windows和Linux双系统间来回切换，要么忍受虚拟机性能低下的问题。而现在，WSL2（Windows Subsystem for Linux 2）的出现彻底改变了这一局面——它让我们能在Windows系统中获得接近原生Linux的性能体验，同时完美支持GPU加速。本文将带你一步步搭建PyTorch+CUDA环境，并最终运行YOLOv5目标检测模型，整个过程无需离开熟悉的Windows环境。
1. 为什么选择WSL2而非双系统？
在深度学习领域，Linux系统长期占据主导地位，这导致许多工具和框架对Windows的支持相对滞后。传统解决方案主要有三种：
- 双系统安装：启动时需要选择操作系统，无法同时使用两个系统
- 虚拟机方案：性能损耗严重，GPU加速支持有限
- 纯Windows环境：部分工具链不完善，兼容性问题多
WSL2完美解决了这些痛点：
| 方案 | 性能 | 易用性 | GPU支持 | 资源占用 |
|---|---|---|---|---|
| 双系统 | 高 | 低 | 完整 | 独立分配 |
| 虚拟机 | 低 | 中 | 有限 | 高 |
| WSL2 | 接近原生 | 高 | 完整 | 动态共享 |
WSL2的核心优势在于：
- 直接调用Windows已安装的NVIDIA驱动，无需在Linux中重复安装
- 文件系统性能大幅提升，接近原生Linux
- 与Windows系统无缝集成，可同时使用两边的工具
- 内存和CPU资源动态分配，利用率更高
提示：WSL2要求Windows 10版本2004或更高，建议使用Windows 11以获得最佳体验
2. 基础环境配置
2.1 启用WSL2功能
首先需要确保系统满足最低要求：
- Windows 10 2004及以上或Windows 11
- 64位系统
- 支持虚拟化的CPU
以管理员身份打开PowerShell，执行以下命令：
# 启用WSL功能 dism.exe /online /enable-feature /featurename:Microsoft-Windows-Subsystem-Linux /all /norestart # 启用虚拟机平台 dism.exe /online /enable-feature /featurename:VirtualMachinePlatform /all /norestart # 设置WSL2为默认版本 wsl --set-default-version 2 # 重启计算机使更改生效安装完成后，从Microsoft Store下载Ubuntu 20.04 LTS。首次启动时会完成初始化设置，需要创建Linux用户名和密码。
2.2 配置GPU支持
WSL2最强大的特性之一是能够直接使用Windows端的NVIDIA驱动。这意味着：
- 只需在Windows中安装最新驱动
- WSL2会自动继承这些驱动能力
- 无需在Linux中重复安装驱动
验证驱动是否正常工作：
# 在WSL2终端中执行 nvidia-smi正常输出应显示GPU信息和驱动版本。如果遇到问题，可以尝试：
# 更新软件源 sudo apt update && sudo apt upgrade -y # 安装基础工具 sudo apt install -y build-essential3. CUDA与PyTorch环境搭建
3.1 CUDA Toolkit安装
WSL2支持完整的CUDA加速，但需要注意版本兼容性。目前推荐使用CUDA 11.x系列：
# 添加NVIDIA仓库密钥 wget https://developer.download.nvidia.com/compute/cuda/repos/wsl-ubuntu/x86_64/cuda-wsl-ubuntu.pin sudo mv cuda-wsl-ubuntu.pin /etc/apt/preferences.d/cuda-repository-pin-600 # 下载并安装CUDA wget https://developer.download.nvidia.com/compute/cuda/11.7.1/local_installers/cuda-repo-wsl-ubuntu-11-7-local_11.7.1-1_amd64.deb sudo dpkg -i cuda-repo-wsl-ubuntu-11-7-local_11.7.1-1_amd64.deb sudo apt-key add /var/cuda-repo-wsl-ubuntu-11-7-local/7fa2af80.pub sudo apt-get update sudo apt-get -y install cuda安装完成后配置环境变量：
echo 'export PATH=/usr/local/cuda-11.7/bin:$PATH' >> ~/.bashrc echo 'export LD_LIBRARY_PATH=/usr/local/cuda-11.7/lib64:$LD_LIBRARY_PATH' >> ~/.bashrc source ~/.bashrc验证安装：
nvcc --version3.2 cuDNN安装
cuDNN是NVIDIA提供的深度学习加速库，安装过程如下：
- 从NVIDIA官网下载对应CUDA 11.7的cuDNN包（需要注册账号）
- 将下载的压缩包复制到WSL2中
- 解压并复制文件：
tar -xzvf cudnn-11.7-linux-x64-v8.5.0.96.tgz sudo cp cuda/include/cudnn*.h /usr/local/cuda/include sudo cp cuda/lib64/libcudnn* /usr/local/cuda/lib64 sudo chmod a+r /usr/local/cuda/include/cudnn*.h /usr/local/cuda/lib64/libcudnn*3.3 PyTorch安装
PyTorch官方提供了多种安装方式。考虑到国内网络环境，推荐使用清华镜像源：
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/ conda install pytorch torchvision torchaudio cudatoolkit=11.7 -c pytorch验证PyTorch是否能识别GPU：
import torch print(torch.cuda.is_available()) # 应输出True print(torch.rand(5,3).cuda()) # 应输出GPU上的张量4. YOLOv5实战演练
4.1 准备YOLOv5环境
git clone https://github.com/ultralytics/yolov5 cd yolov5 pip install -r requirements.txt安装过程中常见问题及解决方案：
下载速度慢：使用国内镜像源
pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple权限问题：在命令前加
sudo或使用--user参数
4.2 运行目标检测
YOLOv5提供了预训练模型，可以快速体验目标检测：
import torch # 加载模型 model = torch.hub.load('ultralytics/yolov5', 'yolov5s', pretrained=True) # 检测图片 img = 'https://ultralytics.com/images/zidane.jpg' results = model(img) # 显示结果 results.print() results.show()对于自定义训练，需要准备数据集并修改配置文件。典型目录结构：
yolov5/ ├── data/ │ └── custom.yaml # 数据集配置文件 ├── models/ │ └── custom.yaml # 模型配置文件 └── train.py # 训练脚本4.3 性能优化技巧
启用半精度训练：
model = model.half() # 转换为半精度使用更大的batch size：
python train.py --batch 64多GPU训练：
python train.py --device 0,1 # 使用GPU 0和1
注意：WSL2的内存是动态分配的，如果遇到内存不足的问题，可以在
%USERPROFILE%下创建.wslconfig文件，内容为：[wsl2] memory=16GB # 根据实际情况调整 swap=8GB
5. 开发环境高级配置
5.1 VS Code集成
VS Code的Remote - WSL扩展可以完美支持WSL2开发：
- 在Windows端安装VS Code和Remote - WSL扩展
- 在WSL终端中输入
code .即可在当前目录启动VS Code - 所有开发环境（包括Python解释器）都会自动切换到WSL中
5.2 文件系统交互
WSL2与Windows的文件系统是互通的：
- 在Windows资源管理器地址栏输入
\\wsl$可访问WSL文件 - 在WSL中，
/mnt/c对应Windows的C盘
5.3 常见问题排查
CUDA不可用：
- 确认Windows端驱动已更新
- 检查WSL2中
nvidia-smi输出是否正常 - 验证PyTorch版本与CUDA版本匹配
性能不佳：
- 确保使用WSL2而非WSL1（
wsl -l -v查看） - 检查是否启用了GPU加速（
torch.cuda.is_available()） - 考虑禁用Windows Defender实时保护
内存不足：
- 调整
.wslconfig中的内存限制 - 减少训练时的batch size
- 使用更小的模型变体（如yolov5s）
在实际项目中，我发现WSL2的性能表现已经非常接近原生Linux，特别是在RTX 30系列显卡上，训练速度差异通常在5%以内。最方便的是能够直接在Windows中使用各种工具（如PowerBI、Tableau）处理数据，然后在WSL2中训练模型，真正实现了两全其美。