CoverHunter 环境安装与验证

1. 目标解释器

本专题统一使用：

/usr/local/miniconda3/bin/python

2. 自动化脚本

已新增环境安装与验证脚本：

acr-engine/scripts/setup_coverhunter_env.py

执行方式：

/usr/local/miniconda3/bin/python acr-engine/scripts/setup_coverhunter_env.py

它会自动：

1. 安装 requirements.txt
2. 补充训练依赖：
   • torch
   • torchaudio
   • transformers
   • huggingface_hub
   • librosa
   • soundfile
   • audiomentations
3. 进行环境验证
4. 生成报告：

acr-engine/reports/coverhunter_env_setup_report.json

3. 当前自动化执行结果

本次已经自动执行完成。

报告文件：

acr-engine/reports/coverhunter_env_setup_report.json

当前结论：

• Python 包安装：成功
• torch / transformers / librosa / soundfile / audiomentations：已安装
• 但 torch.cuda.is_available() 当前返回：False

4. 当前 GPU 阻塞点

虽然系统存在 NVIDIA GPU，且 nvidia-smi 可见设备，但当前 PyTorch CUDA 初始化失败。

报告中的核心告警是：

• The NVIDIA driver on your system is too old

这说明：

• 当前安装到环境里的 torch 2.12.0+cu130
• 与当前系统驱动版本不兼容

也就是说：

• 环境依赖已经安装好了
• 但当前 GPU 训练还不能真正启用
• 原因不是代码问题，而是 PyTorch CUDA 版本与驱动版本不匹配

5. 当前状态怎么理解

现在的环境状态可以分成两部分：

已经完成的

• 训练依赖已安装
• 训练脚本可执行
• MERT / ECAPA 双流代码可 import
• 文档和配置已准备好

仍未完成的

• CUDA 版 torch 与当前 NVIDIA driver 的匹配

6. 下一步建议

要让 GPU 真正可用，需要二选一：

方案 A：升级 NVIDIA 驱动

优点：

• 可以保留当前较新的 torch/cu130 组合
• 后续兼容性更好

方案 B：安装与当前驱动兼容的更低 CUDA 版本 torch

优点：

• 不改系统驱动
• 更适合当前机器直接落地

对当前项目而言，我更建议：

• 优先采用方案 B
• 安装与当前驱动兼容的 torch 版本

7. 当前专题与环境文档关系

配套文件如下：

• 训练专题：docs/coverhunter_finetune_topic.md
• 训练流程：docs/coverhunter_training_process.md
• 环境文档：docs/coverhunter_env_setup.md
• 环境报告：acr-engine/reports/coverhunter_env_setup_report.json

8. 当前结论

当前已经自动完成：

• 环境依赖安装
• 环境验证
• 结果记录

目前唯一阻塞 GPU 训练的点是：

• CUDA / 驱动 / torch 版本不匹配