1778682052

2026-05-13 22:20:54 +08:00
parent 6b50219f55
commit 7f14056210
96 changed files with 3297 additions and 354 deletions
@@ -0,0 +1,75 @@
+在 **Windows系统下使用 Conda (Miniconda/Anaconda) 搭建一个专门用于运行 `labelImg` 的 Python 虚拟环境，并完成安装和缓存清理，最后在文件资源管理器中找到了该软件的启动执行文件。**
+
+`labelImg` 是一款非常经典的开源图像标注工具（通常用于目标检测任务的数据集制作，比如 YOLO 系列）。
+
+## 第一步：创建 Conda 虚拟环境
+
+- **目的**：为了不污染全局的 Python 环境，创建一个独立的环境专门给 `labelImg` 使用，并指定兼容性较好的 Python 3.8 版本。
+- **执行命令**：
+
+    ```bash
+    conda create -n labelImg python=3.8
+    ```
+
+    *(注：途中系统提示 `Proceed ([y]/n)?` 时，用户输入了 `y` 并回车确认)*
+
+## 第二步：配置 pip 国内镜像源
+
+- **目的**：将 pip 的默认下载源修改为中科大（USTC）的镜像源，目的是为了在国内网络环境下大幅提升后续下载 Python 包的速度。
+- **执行命令**：
+
+    ```bash
+    pip config set global.index-url https://mirrors.ustc.edu.cn/pypi/web/simple
+    ```
+
+## 第三步：激活刚才创建的虚拟环境
+
+- **目的**：进入名为 `labelImg` 的虚拟环境中，后续的安装操作都会在这个环境中进行。
+- **执行命令**：
+
+    ```bash
+    conda activate labelImg
+    ```
+
+    *(注：在图2中用户输入时不小心重复输入了两次拼成了 `conda activate labelImgconda activate labelImg`，但在图3中他已经纠正并成功激活，命令行前缀变成了 `(labelImg)`)*
+
+## 第四步：使用 pip 安装 labelImg
+
+- **目的**：下载并安装 `labelImg` 及其依赖包（如 `PyQt5`, `lxml` 等）。
+- **执行命令**：
+
+    ```bash
+    pip install labelImg
+    ```
+
+## 第五步：清理 pip 下载缓存
+
+- **目的**：安装完成后，清理 pip 下载产生的缓存文件，释放C盘/系统盘空间。图片显示清理了 397 个文件。
+- **执行命令**：
+
+    ```bash
+    pip cache purge
+    ```
+
+## 第六步：清理 Conda 缓存
+
+- **目的**：进一步深度清理 Conda 下载的包安装文件（tarballs）、未使用的包和索引缓存，彻底释放硬盘空间。
+- **执行命令**：
+
+    ```bash
+    conda clean --all
+    ```
+
+    *(注：执行后系统会多次询问是否确认删除 `Proceed ([y]/n)?`，用户均输入了 `y` 并回车)*
+
+## 第七步：在文件夹中找到并准备运行程序
+
+- **目的**：通过文件资源管理器，找到刚才安装好的 `labelImg` 可执行文件。
+- **操作过程**：
+    1. 用户打开了路径：`E:\DevTool\Miniconda3\envs\labelImg\Scripts` （这是他电脑上 Miniconda 存放 `labelImg` 虚拟环境可执行文件的目录）。
+    2. 找到了名为 `labelImg` 的文件（通常是 `labelImg.exe`）。
+    3. 他右键点击了该文件，弹出了菜单（可能是准备直接双击打开运行，或者是想通过 VS Code 打开查看）。
+
+**📝 笔记总结提示：**
+
+如果你自己要照做，只需要打开你的 Anaconda Prompt 或终端，依次复制执行上述 **1 到 6 步**的命令即可。安装完成后，其实你不需要像图7那样去文件夹里找，直接在激活了环境的命令行里输入 `labelImg` 并回车，软件界面就会自动弹出来了。
@@ -45,3 +45,11 @@
   - **默认版本**：通常是 BF16（16位浮点数），精度最高，但显存占用极大（例如 122B 模型需要约 250GB+ 显存才能跑起来）。
   - **FP8**：8位浮点数量化，精度损失极小，显存减半，但在最新的英伟达显卡（如 Hopper 架构的 H100、Ada 架构的 RTX 4090）上能获得原生硬件加速。
   - **GPTQ-Int4**：4位整数极限压缩，显存占用仅为默认版本的 1/4 左右。让普通玩家也能在一两张消费级显卡上跑起 35B 甚至 122B 的庞然大物。
+
+---
+
+| 模型                          | 部署门槛                    | 兼容性要求                                 | 维护难度                             |
+| :-------------------------- | :---------------------- | :------------------------------------ | :------------------------------- |
+| Qwen3.6-35B-A3B-FP8         | 极低，vLLM 一行命令启动，开箱即用     | NVIDIA 驱动≥535，CUDA≥12.1，兼容性拉满，无坑      | 极低，显存冗余大，几乎不会 OOM，无需频繁调参         |
+| Qwen3.5-122B-A10B-GPTQ-Int4 | 中等，需要适配 GPTQ 量化，需基础调优经验 | NVIDIA 驱动≥550，CUDA≥12.4，低版本驱动易出现兼容性问题 | 中等，需根据业务调整上下文长度、显存利用率参数，避免 OOM   |
+| Qwen3.6-35B-A3B（BF16）       | 极高，显存处于极限边缘，需严格控制所有参数   | 与 FP8 版一致，但对参数容错率极低                   | 极高，并发 / 上下文稍微调整就会 OOM，生产环境维护成本极高 |