3. YOLOv8 环境搭建：GPU驱动与CUDA安装、PyTorch环境配置、YOLOv8源码下载与依赖安装

环境搭建这件事，说白了就是给模型训练和推理铺好路。很多同学一上来就急着跑代码，结果卡在驱动版本不对、CUDA 不兼容这些坑里。我这些年部署过的工业现场，少说有几十条产线了，每次换新设备第一件事就是捋一遍环境。今天咱们就把这套流程拆开揉碎了讲清楚。

3.1 硬件与系统准备

先看看你手头的设备。工业场景里最常见的是 NVIDIA 的显卡，从 GTX 1060 到 RTX 4090，甚至 A100 我都见过。我个人习惯先确认显卡型号，再决定装哪个版本的驱动。

用这条命令查显卡信息：

lspci | grep -i nvidia

或者更直观的：

nvidia-smi          # 如果已经装了驱动

系统我推荐 Ubuntu 20.04 或 22.04 LTS。为什么？因为工业现场追求稳定，LTS 版本生命周期长，驱动和 CUDA 的支持也最全。我曾经在 CentOS 7 上折腾过三天，最后还是切回 Ubuntu 了——有些依赖在 CentOS 上就是缺包，浪费时间。

组件	推荐版本	备注
操作系统	Ubuntu 20.04 / 22.04 LTS	64位，桌面版或服务器版均可
GPU	NVIDIA 显卡（计算能力 ≥ 6.0）	GTX 10系列及以上
内存	≥ 16 GB	训练时显存不够会爆
磁盘	≥ 50 GB 空闲	SSD 优先，数据集大了很占空间

3.2 GPU 驱动安装

驱动是地基。地基没打好，后面全是白搭。

我推荐用 NVIDIA 官方 runfile 或者 Ubuntu 的 apt 源。两种方式我都用过，说下区别：

• apt 安装：简单，但版本可能不是最新的。适合不想折腾的同学。
• runfile 安装：可控性高，可以指定版本。适合有特殊需求的场景。

我个人习惯用 apt，因为工业现场不需要追新，稳定第一。

先卸载旧驱动（如果有的话）：

sudo apt purge nvidia-*
sudo apt autoremove

然后添加官方 PPA 源：

sudo add-apt-repository ppa:graphics-drivers/ppa
sudo apt update

查看可用驱动版本：

ubuntu-drivers devices

你会看到类似这样的输出：

driver   : nvidia-driver-535 - distro non-free
driver   : nvidia-driver-545 - distro non-free
driver   : nvidia-driver-550 - third-party non-free

选一个推荐版本安装：

sudo apt install nvidia-driver-535

装完重启：

sudo reboot

重启后验证：

nvidia-smi

3.3 CUDA 工具包安装

驱动装好了，接下来是 CUDA。注意：驱动和 CUDA 是两个东西。驱动是让系统认识显卡，CUDA 是让程序能用显卡算东西。

YOLOv8 官方推荐 CUDA 11.8 或 12.1。我建议装 CUDA 11.8，因为 PyTorch 对它的支持最成熟。我在项目里踩过 CUDA 12.x 的坑——有些第三方库还没适配，编译报错能让你怀疑人生。

去 NVIDIA 官网下载 runfile：

wget https://developer.download.nvidia.com/compute/cuda/11.8.0/local_installers/cuda_11.8.0_520.61.05_linux.run
sudo sh cuda_11.8.0_520.61.05_linux.run

安装时注意：

• 不要勾选 Driver（因为我们已经装过了）
• 只选 CUDA Toolkit 和 CUDA Samples

装完后配置环境变量：

echo 'export PATH=/usr/local/cuda-11.8/bin:$PATH' >> ~/.bashrc
echo 'export LD_LIBRARY_PATH=/usr/local/cuda-11.8/lib64:$LD_LIBRARY_PATH' >> ~/.bashrc
source ~/.bashrc

验证：

nvcc --version

3.4 cuDNN 安装（可选但推荐）

cuDNN 是 NVIDIA 针对深度学习优化的加速库。YOLOv8 不强制要求，但装上能提速 10%-20%。

去 NVIDIA 官网下载 cuDNN for CUDA 11.x，然后：

tar -xzvf cudnn-linux-x86_64-8.9.7.29_cuda11-archive.tar.xz
sudo cp cudnn-*-archive/include/cudnn*.h /usr/local/cuda-11.8/include
sudo cp -P cudnn-*-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：

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

3.5 PyTorch 环境配置

我建议用 conda 管理环境。为什么？因为工业项目往往需要多个环境，不同项目依赖不同版本的 PyTorch，用 conda 隔离最省心。

先装 Miniconda：

wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh
bash Miniconda3-latest-Linux-x86_64.sh

创建 YOLOv8 专用环境：

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

安装 PyTorch。去 PyTorch 官网找对应 CUDA 11.8 的命令：

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

验证 PyTorch 能否调用 GPU：

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

如果输出 True，恭喜你，环境通了。

3.6 YOLOv8 源码下载与依赖安装

环境搭好了，终于可以拉代码了。

YOLOv8 官方仓库在 GitHub 上，直接用 git 克隆：

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

安装依赖：

pip install -r requirements.txt

看一眼 requirements.txt 里都有什么：

依赖包	作用	备注
torch	深度学习框架	前面已装
torchvision	图像处理工具	前面已装
numpy	数值计算	基础库
opencv-python	图像读写与预处理	工业场景必备
matplotlib	可视化	调试时用
pyyaml	配置文件解析	YOLOv8 用 yaml 配置
tqdm	进度条	训练时看进度
seaborn	统计图表	画混淆矩阵用

安装完成后，跑个简单的推理测试：

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

如果能看到检测结果，说明整个环境搭建成功了。

3.7 环境验证与常见问题

最后，我把整个环境搭建的流程画成一张图，方便你对照检查：

这张图把整个流程串起来了。你按步骤走，每一步做完都验证一下，基本不会出大问题。