2. 环境搭建

说实话，环境搭建是很多人入门时最头疼的一步。我见过太多同学卡在 CUDA 版本不对、PyTorch 装不上、依赖冲突这些坑里。别急，这一章我带你一步步走通。你跟着我的习惯来，基本不会出问题。

2.1 Anaconda 安装：Python 环境管家

我个人习惯用 Anaconda 管理 Python 环境。为什么？因为它能隔离不同项目，互不干扰。你想想看，一个项目要 PyTorch 1.13，另一个要 2.0，没有虚拟环境的话，你只能干瞪眼。

2.1.1 下载与安装

1. 去 Anaconda 官网（或者清华镜像）下载对应系统的安装包。
2. Windows 用户直接双击 .exe，一路 Next。注意勾选 "Add Anaconda to my PATH environment variable"——虽然安装程序会警告，但我建议你勾上，省事。
3. Linux / macOS 用户用命令行：bash Anaconda3-xxx-Linux-x86_64.sh，然后按提示走。

2.1.2 验证安装

打开终端（Windows 用 Anaconda Prompt），输入：

conda --version
python --version

能看到版本号，就说明装好了。嗯，这里要注意：如果 conda 命令找不到，八成是 PATH 没配好。Windows 用户去系统环境变量里手动加一下 Anaconda 的 Scripts 目录就行。

2.2 CUDA 与 cuDNN 配置：GPU 加速的关键

YOLOv8 训练时，GPU 比 CPU 快几十倍。CUDA 是 NVIDIA 的并行计算平台，cuDNN 是深度学习加速库。说白了，没有它们，你的显卡就是个摆设。

2.2.1 检查显卡与驱动

先看看你的显卡支不支持 CUDA：

nvidia-smi

这个命令会显示驱动版本、CUDA 版本、显存使用情况。我遇到过有人装了半天 CUDA，结果发现显卡是 GT 710，计算能力太低，白忙活一场。所以，先确认一下。

2.2.2 安装 CUDA Toolkit

去 NVIDIA 官网下载 CUDA Toolkit。我建议选 CUDA 11.8 或 12.1，这两个版本 PyTorch 支持得最好。

安装步骤（以 CUDA 11.8 为例）：

1. 下载 runfile（Linux）或 exe（Windows）。
2. Linux 下执行：sudo sh cuda_11.8.0_xxx.run，不要装驱动（只选 Toolkit）。
3. 配置环境变量：在 ~/.bashrc 里加：

export PATH=/usr/local/cuda-11.8/bin:$PATH
export LD_LIBRARY_PATH=/usr/local/cuda-11.8/lib64:$LD_LIBRARY_PATH

然后 source ~/.bashrc，用 nvcc --version 验证。

2.2.3 配置 cuDNN

cuDNN 需要注册 NVIDIA 开发者账号才能下载。下载后解压，把文件复制到 CUDA 目录：

# Linux 示例
sudo cp cudnn-linux-x86_64-8.6.0.163_cuda11-archive/include/cudnn*.h /usr/local/cuda-11.8/include/
sudo cp cudnn-linux-x86_64-8.6.0.163_cuda11-archive/lib/libcudnn* /usr/local/cuda-11.8/lib64/
sudo chmod a+r /usr/local/cuda-11.8/include/cudnn*.h /usr/local/cuda-11.8/lib64/libcudnn*

验证 cuDNN 版本：

cat /usr/local/cuda-11.8/include/cudnn_version.h | grep CUDNN_MAJOR -A 2

2.3 PyTorch 安装：深度学习框架就位

PyTorch 是 YOLOv8 的基石。安装前，先创建一个干净的虚拟环境：

conda create -n yolov8 python=3.10 -y
conda activate yolov8

然后去 PyTorch 官网 选对应配置。我建议用 pip 安装，conda 有时会慢：

# CUDA 11.8
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118

# 或者 CUDA 12.1
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121

验证安装：

python -c "import torch; print(torch.__version__); print(torch.cuda.is_available())"

如果输出 True，恭喜你，GPU 加速已经就绪。如果输出 False，检查 CUDA 版本是否匹配，或者驱动有没有装好。

2.4 YOLOv8 源码下载与依赖安装

Ultralytics 官方把 YOLOv8 做成了一个 Python 包，但为了实战，我建议你直接克隆源码，方便修改和调试。

2.4.1 克隆仓库

git clone https://github.com/ultralytics/ultralytics.git
cd ultralytics

如果你没有 git，也可以去 GitHub 页面下载 ZIP 包。

2.4.2 安装依赖

YOLOv8 的依赖写在 requirements.txt 里：

pip install -r requirements.txt

核心依赖包括：

• torch：深度学习框架
• numpy：数值计算
• opencv-python：图像处理
• matplotlib：可视化
• pillow：图片读写
• tqdm：进度条
• pyyaml：配置文件解析
• seaborn：统计图表

yolo predict model=yolov8n.pt source='https://ultralytics.com/images/bus.jpg'

2.5 环境搭建知识体系

下面这张图帮你理清整个环境搭建的脉络：

2.6 常见问题与排查

环境搭建过程中，我遇到过不少问题。这里列几个高频的：