2. 环境搭建与工具链：CUDA、cuDNN、PyTorch、OpenCV 的安装与配置，Docker 环境部署

说实话，环境搭建这事儿，看着简单，但坑是真不少。我见过太多同学花了一周时间调环境，最后发现是 CUDA 版本和 PyTorch 没对齐。咱们这节课，我就把这几年的踩坑经验全抖出来，帮你一次搞定。

2.1 整体架构：先看全局再动手

在开始安装之前，我建议你先搞清楚这些组件之间的关系。说白了，它们就像一套流水线：

• CUDA：NVIDIA 显卡的「翻译官」，把 PyTorch 的指令转成 GPU 能听懂的话
• cuDNN：CUDA 的「加速包」，专门优化卷积和池化这些深度学习常用操作
• PyTorch：咱们写模型用的框架，它依赖 CUDA 和 cuDNN
• OpenCV：图像处理工具，负责读视频、预处理帧、画检测框

嗯，这里要注意：版本必须匹配。CUDA 11.8 配 PyTorch 2.0 没问题，但 CUDA 12.1 配 PyTorch 1.10 就会报错。我当年第一次配环境时就吃过这个亏。

2.2 CUDA 安装：别选最新版

我个人习惯是选 CUDA 11.8 或 12.1。为什么？因为 PyTorch 官方对这两个版本的支持最稳定。你想想看，CUDA 12.4 刚出来时，PyTorch 还没适配，装上去就是给自己找麻烦。

安装步骤

1. 检查显卡驱动：终端运行 nvidia-smi，看右上角的 CUDA Version。如果显示 12.2，那你就装 CUDA 12.1 或 11.8，别超过驱动支持的版本。
2. 下载 CUDA Toolkit：去 NVIDIA 官网选对应版本。我建议用 runfile 安装，别用 deb，因为 runfile 可以指定安装路径，方便多版本共存。
3. 配置环境变量：在 ~/.bashrc 里加两行：

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，运行 nvcc --version 验证。

2.3 cuDNN 安装：解压复制就行

cuDNN 其实就是个压缩包，里面是几个库文件。你把它解压后复制到 CUDA 目录下就完事了。

# 假设你下载了 cudnn-linux-x86_64-8.9.7.29_cuda11-archive.tar.xz
tar -xvf cudnn-linux-x86_64-8.9.7.29_cuda11-archive.tar.xz
sudo cp cudnn-*/include/cudnn*.h /usr/local/cuda-11.8/include/
sudo cp cudnn-*/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*

验证方法：

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

看到版本号就对了。

2.4 PyTorch 安装：用官方命令最稳

去 PyTorch 官网（pytorch.org），选你的配置，它会生成一条安装命令。比如：

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

装完后验证：

import torch
print(torch.__version__)        # 应该显示 2.x.x
print(torch.cuda.is_available()) # 应该返回 True
print(torch.cuda.get_device_name(0)) # 显示你的显卡型号

2.5 OpenCV 安装：两种方式任选

安装方式	命令	适用场景
pip 安装（轻量）	pip install opencv-python	快速开发，不需要 GUI 功能
源码编译（完整）	cmake .. -D WITH_CUDA=ON	需要 GPU 加速的视频解码/图像处理

我建议先用 pip 装，够用。等后面做视频流处理时，如果发现 CPU 解码太慢，再考虑编译带 CUDA 的 OpenCV。

验证：

import cv2
print(cv2.__version__)  # 应该显示 4.x.x

2.6 Docker 环境部署：一劳永逸

说实话，如果你经常换机器或者团队协作，Docker 是最省事的方案。我自己的做法是写一个 Dockerfile，把上面所有东西打包进去。

Dockerfile 示例

FROM nvidia/cuda:11.8.0-cudnn8-devel-ubuntu20.04

RUN apt-get update && apt-get install -y \
    python3 python3-pip git wget

RUN pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118
RUN pip3 install opencv-python numpy matplotlib

WORKDIR /workspace
CMD ["/bin/bash"]

构建和运行：

docker build -t yolo-env:latest .
docker run --gpus all -it --rm -v $(pwd):/workspace yolo-env:latest

2.7 版本兼容性速查表

为了方便你对照，我整理了一份常用版本组合：

PyTorch 版本	CUDA 版本	cuDNN 版本	推荐场景
2.0.x	11.8	8.9.x	最稳定，推荐生产环境
2.1.x	12.1	8.9.x	新特性多，适合尝鲜
1.13.x	11.7	8.6.x	旧项目兼容

2.8 常见问题排查

• torch.cuda.is_available() 返回 False：先跑 nvidia-smi 看驱动是否正常，再检查 CUDA 版本是否匹配。
• ImportError: libcudart.so.11.0: cannot open shared object file：LD_LIBRARY_PATH 没配好，或者 CUDA 版本不对。
• OpenCV 读视频特别慢：试试 cv2.VideoCapture 加 cv2.CAP_FFMPEG 后端，或者编译带 CUDA 的 OpenCV。