2. 环境搭建与工具链：Ubuntu + CUDA + cuDNN + PyTorch 环境配置，Docker镜像使用，Anaconda虚拟环境管理

做YOLO实时检测，第一步不是写代码，而是搭环境。我见过太多同学花了一周调模型，最后发现是CUDA版本不对——这种坑，踩一次就够了。

这一章，咱们把环境彻底理清楚。从裸机到能跑YOLOv8，一步不落。

2.1 硬件与操作系统准备

先说说硬件底线。YOLO对GPU要求其实没那么高，但有些硬性条件必须满足：

我个人习惯用Ubuntu 22.04。为什么？因为它的内核和驱动支持更友好，踩坑少。Windows也能跑，但很多底层工具链在Linux上更顺畅——尤其是Docker和NVIDIA容器工具包。

2.2 CUDA与cuDNN安装

CUDA是NVIDIA的并行计算平台。cuDNN是它的深度学习加速库。说白了，CUDA让GPU能跑通用计算，cuDNN让卷积、池化这些操作跑得更快。

安装步骤其实很简单，但版本匹配是关键。我建议用CUDA 11.8 + cuDNN 8.9的组合，这是目前PyTorch 2.x最稳定的搭档。

2.2.1 安装CUDA

# 1. 检查GPU是否支持
lspci | grep -i nvidia

# 2. 安装驱动（推荐535版本）
sudo apt update
sudo apt install nvidia-driver-535

# 3. 重启后验证
nvidia-smi

# 4. 下载CUDA 11.8 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

# 5. 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

# 6. 验证
nvcc --version

2.2.2 安装cuDNN

cuDNN需要NVIDIA开发者账号才能下载。你可以去官网注册，或者直接用我下面这个方式——用apt安装，省心很多。

# 添加NVIDIA官方仓库
sudo apt install nvidia-cudnn
# 或者手动安装deb包
sudo dpkg -i cudnn-local-repo-ubuntu2204-8.9.7.29_1.0-1_amd64.deb
sudo apt update
sudo apt install libcudnn8 libcudnn8-dev

# 验证
cat /usr/include/x86_64-linux-gnu/cudnn_version.h | grep CUDNN_MAJOR -A 2

我曾经在cuDNN版本上吃过亏。有一次训练YOLOv5，loss死活不降，折腾了两天，最后发现是cuDNN 8.6和CUDA 11.7有个已知的bug。所以，版本匹配真的别偷懒。

2.3 Anaconda虚拟环境管理

Python环境隔离是基本功。我见过有人把所有项目都装在base环境里，最后依赖冲突到崩溃。Anaconda就是用来解决这个问题的。

2.3.1 安装Anaconda

# 下载安装脚本
wget https://repo.anaconda.com/archive/Anaconda3-2024.10-1-Linux-x86_64.sh
bash Anaconda3-2024.10-1-Linux-x86_64.sh

# 安装完成后，初始化
source ~/.bashrc

# 验证
conda --version

2.3.2 创建YOLO专用环境

# 创建环境，指定Python 3.10
conda create -n yolo_env python=3.10 -y

# 激活环境
conda activate yolo_env

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

# 验证GPU可用
python -c "import torch; print(torch.cuda.is_available())"
# 应该输出 True

2.4 Docker镜像使用

Docker是环境管理的终极方案。你想想看，如果团队里有人用Ubuntu 20.04，有人用22.04，还有人用Mac——环境不一致，bug就来了。Docker把整个环境打包成镜像，谁拉下来都能跑。

2.4.1 安装Docker与NVIDIA Container Toolkit

# 安装Docker
sudo apt install docker.io
sudo systemctl start docker
sudo systemctl enable docker

# 添加当前用户到docker组（避免每次sudo）
sudo usermod -aG docker $USER
# 重新登录生效

# 安装NVIDIA Container Toolkit
distribution=$(. /etc/os-release;echo $ID$VERSION_ID)
curl -s -L https://nvidia.github.io/nvidia-docker/gpgkey | sudo apt-key add -
curl -s -L https://nvidia.github.io/nvidia-docker/$distribution/nvidia-docker.list | sudo tee /etc/apt/sources.list.d/nvidia-docker.list
sudo apt update
sudo apt install nvidia-container-toolkit
sudo systemctl restart docker

2.4.2 拉取并运行YOLO镜像

# 拉取官方PyTorch镜像（已包含CUDA和cuDNN）
docker pull pytorch/pytorch:2.1.0-cuda11.8-cudnn8-runtime

# 运行容器，挂载代码目录
docker run --gpus all -it --rm \
  -v /home/yourname/yolo_project:/workspace \
  pytorch/pytorch:2.1.0-cuda11.8-cudnn8-runtime \
  bash

# 在容器内验证
python -c "import torch; print(torch.cuda.is_available())"

2.5 环境验证与常见问题

环境搭好了，怎么确认一切正常？我一般跑一个完整的YOLO推理流程来验证：

# 安装ultralytics
pip install ultralytics

# 下载预训练模型并推理
yolo predict model=yolov8n.pt source='https://ultralytics.com/images/bus.jpg'

# 如果看到检测结果输出，说明环境完全OK

如果遇到问题，别慌。90%的问题出在以下三个方面：

• CUDA版本不匹配：用 nvidia-smi 看驱动支持的CUDA版本，用 nvcc --version 看Toolkit版本，两者可以不同，但PyTorch需要和Toolkit匹配。
• cuDNN缺失或版本不对：检查 /usr/include/cudnn_version.h，确保版本号在PyTorch支持列表里。
• Docker GPU不可用：运行 docker run --gpus all nvidia/cuda:11.8.0-base nvidia-smi，如果报错，检查nvidia-container-toolkit是否安装正确。

2.6 本章知识体系总览

下面这张图，把整个环境搭建的流程和依赖关系梳理清楚了。你可以把它当作检查清单：