在Windows上打造高效深度学习环境WSL2PyTorchCUDA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WSL2Windows 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PyTorchCUDA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 1164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 ar /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 cudatoolkit11.7 -c pytorch验证PyTorch是否能识别GPUimport 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, pretrainedTrue) # 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 sizepython 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] memory16GB # 根据实际情况调整 swap8GB5. 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WSL1wsl -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。
别再折腾双系统了！Win11/Win10下用WSL2搞定PyTorch+CUDA环境（附YOLOv5实战）
发布时间：2026/5/18 17:10:17
在Windows上打造高效深度学习环境WSL2PyTorchCUDA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WSL2Windows 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PyTorchCUDA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 1164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:$LD_LIBRARY_PATH ~/.bashrc source ~/.bashrc验证安装nvcc --version3.2 cuDNN安装cuDNN是NVIDIA提供的深度学习加速库安装过程如下从NVIDIA官网下载对应CUDA 11.7的cuDNN包需要注册账号将下载的压缩包复制到WSL2中解压并复制文件tar -xzvf cudnn-11.7-linux-x64-v8.5.0.96.tgz sudo cp cuda/include/cudnn*.h /usr/local/cuda/include sudo cp cuda/lib64/libcudnn* /usr/local/cuda/lib64 sudo chmod ar /usr/local/cuda/include/cudnn*.h /usr/local/cuda/lib64/libcudnn*3.3 PyTorch安装PyTorch官方提供了多种安装方式。考虑到国内网络环境推荐使用清华镜像源conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/ conda install pytorch torchvision torchaudio cudatoolkit11.7 -c pytorch验证PyTorch是否能识别GPUimport torch print(torch.cuda.is_available()) # 应输出True print(torch.rand(5,3).cuda()) # 应输出GPU上的张量4. YOLOv5实战演练4.1 准备YOLOv5环境git clone https://github.com/ultralytics/yolov5 cd yolov5 pip install -r requirements.txt安装过程中常见问题及解决方案下载速度慢使用国内镜像源pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple权限问题在命令前加sudo或使用--user参数4.2 运行目标检测YOLOv5提供了预训练模型可以快速体验目标检测import torch # 加载模型 model torch.hub.load(ultralytics/yolov5, yolov5s, pretrainedTrue) # 检测图片 img https://ultralytics.com/images/zidane.jpg results model(img) # 显示结果 results.print() results.show()对于自定义训练需要准备数据集并修改配置文件。典型目录结构yolov5/ ├── data/ │ └── custom.yaml # 数据集配置文件 ├── models/ │ └── custom.yaml # 模型配置文件 └── train.py # 训练脚本4.3 性能优化技巧启用半精度训练model model.half() # 转换为半精度使用更大的batch sizepython train.py --batch 64多GPU训练python train.py --device 0,1 # 使用GPU 0和1注意WSL2的内存是动态分配的如果遇到内存不足的问题可以在%USERPROFILE%下创建.wslconfig文件内容为[wsl2] memory16GB # 根据实际情况调整 swap8GB5. 开发环境高级配置5.1 VS Code集成VS Code的Remote - WSL扩展可以完美支持WSL2开发在Windows端安装VS Code和Remote - WSL扩展在WSL终端中输入code .即可在当前目录启动VS Code所有开发环境包括Python解释器都会自动切换到WSL中5.2 文件系统交互WSL2与Windows的文件系统是互通的在Windows资源管理器地址栏输入\\wsl$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WSL1wsl -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。
