当前位置：首页 > news >正文

Cursor配置python解释器方法

news 来源：原创 2025/6/6 4:08:24

一、直接下载python扩展

首先在应用拓展里面下载python扩展

然后右下角选择解释器

然后无论是使用脚本运行还是编译器运行都可以了！

在使用此方法之前我是通过Cursor内的power shell进行配置的，中间报了一些错误，我把解决过程放在第二章节内，有兴趣的同学可以看看。

二、使用powershell配置版

问题：直接在终端使用conda命令不能执行

1.配置环境变量

首先需要把conda环境配置到环境变量Path内：

（这里写你自己conda环境存放的地址，这里地址只是做一个演示）

D:\miniconda3\ScriptsD:\miniconda3\condabin

此时可能会报错：

无法加载文件 C:\Users\Administrator\Documents\WindowsPowerShell\profile.ps1，因为在此系统上禁止运行脚本。有关详细信息，请参阅 ht tps:/go.microsoft.com/fwlink/?LinkID=135170 中的 about_Execution_Policies。

那我们就需要修改一下系统设置：

2.修改脚本执行策略

还是在powershell终端，输入以下命令查看当前的执行策略：

Get-ExecutionPolicy

默认情况下，可能显示 Restricted

输入以下命令来允许执行本地脚本：

Set-ExecutionPolicy RemoteSigned -Scope CurrentUser

这个命令会将执行策略设置为 RemoteSigned，即允许本地脚本运行，但会要求来自互联网的脚本必须有签名。

3.验证修改有效性

关闭 PowerShell 窗口并重新打开它，执行以下命令来查看执行策略是否已成功更改：

Get-ExecutionPolicy

然后执行：

conda init
conda activate yolotest

Conda 环境应该会被成功激活。

后记：此时运行python文件只能通过终端执行，cursor编译器还是不能直接点击运行按钮运行程序，所以直接省事选择上面下载python扩展即可！！！

三、附加内容

1.测试代码

from ultralytics import YOLO
from PIL import Image
import cv2
import os
import globdef predict_image(image_path, model_path='ultralytics/premodels/yolov8m.pt', output_dir='./output'):"""使用 YOLOv8 模型对单张图像进行预测参数:image_path (str): 输入图像的路径model_path (str): 模型权重文件的路径output_dir (str): 输出结果的目录"""# 确保输出目录存在os.makedirs(output_dir, exist_ok=True)# 加载预训练模型model = YOLO(model_path)# 预测图像results = model(image_path)# 获取预测结果for i, result in enumerate(results):# 获取图像文件名image_filename = os.path.basename(image_path)name, ext = os.path.splitext(image_filename)# 保存带标注的图像output_path = os.path.join(output_dir, f"{name}_pred{ext}")annotated_frame = result.plot()cv2.imwrite(output_path, cv2.cvtColor(annotated_frame, cv2.COLOR_RGB2BGR))print(f"预测结果已保存至: {output_path}")# 打印检测到的对象boxes = result.boxesprint(f"在图像中检测到 {len(boxes)} 个对象:")for box in boxes:class_id = int(box.cls)conf = float(box.conf)class_name = model.names[class_id]print(f"- {class_name} (置信度: {conf:.2f})")def predict_images(input_dir, model_path='ultralytics/premodels/yolov8m.pt', output_dir='./output'):"""使用 YOLOv8 模型对文件夹中的所有图像进行预测参数:input_dir (str): 输入图像文件夹的路径model_path (str): 模型权重文件的路径output_dir (str): 输出结果的目录"""# 支持的图像文件扩展名image_extensions = ['*.jpg', '*.jpeg', '*.png', '*.bmp']# 获取所有图像文件的路径image_paths = []for ext in image_extensions:image_paths.extend(glob.glob(os.path.join(input_dir, ext)))if not image_paths:print(f"在 {input_dir} 中未找到图像文件!")return# 处理每个图像for image_path in image_paths:try:print(f"\n正在处理: {image_path}")predict_image(image_path, model_path, output_dir)except Exception as e:print(f"处理图像 {image_path} 时出错: {str(e)}")if __name__ == "__main__":# 示例：预测单张图像# image_path = "ultralytics/assets/bus.jpg"  # 替换为你的图像路径# predict_image(image_path)# 示例：预测文件夹中的所有图像input_directory = "ultralytics/assets"  # 替换为你的图像文件夹路径predict_images(input_directory)