2. 环境准备

做剪枝，说白了就是跟模型和框架打交道。环境没搭好，后面全是坑。我见过不少同学在环境上折腾一整天，结果发现是CUDA版本不对——嗯，这种时间花得实在冤枉。

这一章，咱们就把地基打牢。我会带着你一步步把PyTorch、YOLOv11源码和所有依赖装好，最后跑个验证确保一切正常。

2.1 PyTorch环境搭建

我个人习惯用conda来管理环境，干净、隔离、好清理。你想想看，万一搞坏了，直接删掉重来，多省心。

先创建环境：

conda create -n yolov11_prune python=3.10 -y
conda activate yolov11_prune

然后装PyTorch。这里有个坑——千万别直接 pip install torch，那样装的是CPU版本。去PyTorch官网用那个命令生成器，选对CUDA版本。

以CUDA 11.8为例：

pip install torch==2.1.0 torchvision==0.16.0 torchaudio==2.1.0 --index-url https://download.pytorch.org/whl/cu118

装完验证一下：

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

如果输出 True，说明GPU可用。如果输出 False，别慌——先检查驱动：

nvidia-smi

看右上角的CUDA Version，必须 ≥ 你装的PyTorch要求的版本。

2.2 YOLOv11源码下载与配置

YOLOv11官方源码在GitHub上。我个人建议用git clone，方便后续切分支、看提交记录。

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

注意，YOLOv11是Ultralytics统一框架的一部分，不是单独一个仓库。你下载下来会发现里面还有YOLOv8、YOLOv10的代码——别奇怪，它们共享核心模块。

然后安装依赖：

pip install -r requirements.txt

但说实话，这个requirements.txt装的是基础依赖。做剪枝的话，我们还需要额外装几个库：

2.3 依赖库安装与验证

装完别急着跑。先验证一下核心库能不能正常导入：

python -c "
import torch
import torch_pruning as tp
import thop
import onnx
import ultralytics
print('PyTorch:', torch.__version__)
print('torch-pruning:', tp.__version__)
print('thop:', thop.__version__)
print('onnx:', onnx.__version__)
print('ultralytics:', ultralytics.__version__)
"

如果哪个报错，多半是版本冲突。我遇到过最典型的是 torch-pruning 和 torch 版本不匹配——torch-pruning 1.4.0 以上需要 PyTorch ≥ 2.0。

然后跑一个YOLOv11的快速验证：

yolo predict model=yolo11n.pt source='https://ultralytics.com/images/bus.jpg'

如果能正常输出检测结果，说明整个环境通了。

2.4 知识体系总览

下面这张图把本章的环境准备流程串起来了。你可以把它当作一个检查清单：

2.5 常见问题与避坑

最后，我把这些年遇到的环境问题整理了一下。你遇到了可以直接查：