3. YOLO环境搭建：版本选择、PyTorch与CUDA安装、推理验证

环境搭建这件事，说难不难，说简单也容易踩坑。我见过不少同事在版本搭配上翻车，一折腾就是半天。今天咱们就把YOLO环境捋清楚，从版本选择到CUDA安装，再到跑通第一个demo，一步到位。

3.1 YOLOv8/v9/v10，到底选哪个？

先回答一个最实际的问题：现在该用哪个版本？

我个人的习惯是：生产项目用v8，研究尝鲜用v10。为什么？

版本	发布时间	核心特点	推荐场景
YOLOv8	2023.01	成熟稳定，生态完善，文档齐全	工业部署、生产环境首选
YOLOv9	2024.02	PGI可编程梯度信息，信息瓶颈优化	追求精度、有调参经验的团队
YOLOv10	2024.05	NMS-free架构，推理速度更快	实时性要求极高的边缘设备

我曾经在一个质检项目里试过v9的PGI模块，精度确实比v8高了1.2个点，但推理速度慢了将近30%。后来还是换回了v8，配合TTA（测试时增强）把精度补了回来。你想想看，产线上每帧多花5毫秒，一天下来就是几十万张图的差距。

3.2 PyTorch与CUDA安装——避坑指南

环境搭建最头疼的就是版本匹配。我直接给出一套经过验证的组合：

安装步骤其实就三步：

1. 检查显卡驱动——在终端输入 nvidia-smi，确认CUDA版本号。如果驱动版本太低，先升级驱动。
2. 安装PyTorch——去PyTorch官网选对应CUDA版本的命令，复制粘贴就行。别自己拼命令，官网生成器最靠谱。
3. 验证安装——跑一小段代码确认GPU可用。

# 验证PyTorch和CUDA是否正常工作
import torch
print("PyTorch版本:", torch.__version__)
print("CUDA是否可用:", torch.cuda.is_available())
print("GPU数量:", torch.cuda.device_count())
print("当前GPU:", torch.cuda.get_device_name(0))

# 跑一个简单的张量运算测试
x = torch.randn(1000, 1000).cuda()
y = torch.randn(1000, 1000).cuda()
z = torch.mm(x, y)
print("GPU矩阵乘法测试通过，结果形状:", z.shape)

3.3 安装YOLO——两种方式

YOLO的安装有两种主流方式，我分别说一下：

方式一：通过Ultralytics包安装（推荐）

pip install ultralytics

一行命令搞定。它会自动拉取YOLOv8/v9/v10的模型定义和训练代码。我90%的项目都用这种方式，省心。

方式二：从源码安装

git clone https://github.com/ultralytics/ultralytics
cd ultralytics
pip install -e .

如果你需要修改模型结构或自定义算子，用源码安装更方便。但日常使用没必要。

3.4 验证推理demo——跑通第一个模型

环境搭好了，咱们跑个demo验证一下。我准备了一张工业场景的示例图（你可以用自己的图片替换路径）。

from ultralytics import YOLO

# 加载预训练模型（会自动下载权重文件）
model = YOLO('yolov8n.pt')  # n: nano版本，最快最轻量

# 推理单张图片
results = model('test_image.jpg')

# 查看检测结果
for result in results:
    boxes = result.boxes  # 检测框
    for box in boxes:
        x1, y1, x2, y2 = box.xyxy[0].tolist()
        conf = box.conf[0].item()
        cls = box.cls[0].item()
        print(f"类别: {int(cls)}, 置信度: {conf:.2f}, 坐标: ({x1:.0f},{y1:.0f},{x2:.0f},{y2:.0f})")

# 保存标注后的图片
results[0].save('result.jpg')
print("推理完成，结果已保存到 result.jpg")

如果终端打印出检测框信息，并且生成了result.jpg，恭喜你——环境搭建成功！

3.5 知识体系总览

下面这张图把本章的核心逻辑串起来了，你可以对照着检查自己的搭建进度：

3.6 常见问题速查

最后，我把搭建过程中最常遇到的几个问题列出来，你遇到了可以直接对照解决：

问题现象	可能原因	解决方案
torch.cuda.is_available() 返回 False	PyTorch版本与CUDA不匹配，或装了CPU版	卸载PyTorch，用官网命令重装对应CUDA版本
ImportError: No module named 'ultralytics'	未安装或安装到了其他环境	检查当前conda环境，执行 pip install ultralytics
RuntimeError: CUDA out of memory	模型太大或batch size过高	换yolov8n.pt，或减小batch size到1
下载权重文件超时	网络问题或镜像源问题	手动下载.pt文件放到项目目录，或换国内镜像源