环境配置：CUDA、cuDNN、PyTorch安装，Docker镜像搭建，常见环境问题排查

说实话，环境配置这关，卡住了不少想入门YOLO的朋友。我见过太多人，模型代码写好了，数据集也准备好了，结果一跑就报错——CUDA版本不对，cuDNN找不到，PyTorch和显卡驱动打架……

嗯，今天咱们就把这事彻底捋清楚。你跟着我的步骤走，保证半小时内把环境搭好。

2.1 显卡驱动与CUDA版本匹配

先看你的显卡。打开终端，跑一行命令：

nvidia-smi

你会看到类似这样的输出：

+-----------------------------------------------------------------------------+
| NVIDIA-SMI 525.85.05    Driver Version: 525.85.05    CUDA Version: 12.0     |
+-----------------------------------------------------------------------------+

注意右上角的 CUDA Version。这不是你实际装的CUDA版本，而是你的驱动最高支持的CUDA版本。我建议你装的CUDA版本不要超过这个数字。

2.2 CUDA与cuDNN安装

确定好版本后，去NVIDIA官网下载CUDA Toolkit。我一般选 runfile(local) 方式安装，图形化界面比较直观。

安装步骤：

1. 下载CUDA runfile
2. 执行 sudo sh cuda_xxx_linux.run
3. 取消勾选Driver（驱动已装好，别重复装）
4. 选择安装路径，默认就行
5. 配置环境变量

# 在 ~/.bashrc 末尾添加
export PATH=/usr/local/cuda-11.8/bin:$PATH
export LD_LIBRARY_PATH=/usr/local/cuda-11.8/lib64:$LD_LIBRARY_PATH

# 生效
source ~/.bashrc

# 验证
nvcc --version

cuDNN更简单。下载对应CUDA版本的cuDNN压缩包，解压后把文件复制到CUDA目录：

# 假设下载的是 cudnn-linux-x86_64-8.9.0.131_cuda11-archive.tar.xz
tar -xvf cudnn-linux-x86_64-8.9.0.131_cuda11-archive.tar.xz
sudo cp cudnn-*/include/cudnn*.h /usr/local/cuda/include/
sudo cp cudnn-*/lib/libcudnn* /usr/local/cuda/lib64/
sudo chmod a+r /usr/local/cuda/include/cudnn*.h /usr/local/cuda/lib64/libcudnn*

2.3 PyTorch安装与验证

PyTorch安装，我推荐用pip。去PyTorch官网选对应CUDA版本的命令：

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

# CUDA 12.1
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121

装完后，一定要验证：

python -c "import torch; print(torch.__version__); print(torch.cuda.is_available()); print(torch.cuda.get_device_name(0))"

如果输出 True 和你的显卡型号，恭喜你，环境配好了。

2.4 Docker镜像搭建

说实话，Docker是解决环境问题的终极方案。我现在的项目，全部用Docker跑。好处很明显：

• 环境隔离，不污染宿主机
• 一键部署，团队共享
• 版本回滚，出问题秒切

我的Dockerfile长这样：

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

RUN apt-get update && apt-get install -y \
    python3.8 python3-pip git wget

RUN pip install torch==2.0.1 torchvision==0.15.2 --index-url https://download.pytorch.org/whl/cu118

RUN pip install ultralytics opencv-python matplotlib

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

构建和运行：

# 构建镜像
docker build -t yolo-env:latest .

# 运行容器（挂载代码目录）
docker run --gpus all -it --rm \
  -v /path/to/your/code:/workspace \
  yolo-env:latest

2.5 常见环境问题排查

环境问题千奇百怪，但核心就几类。我整理了一个排查清单：

2.6 环境配置知识体系

下面这张图，把整个环境配置的流程和依赖关系画清楚了。你照着这个走，不会迷路。

环境配置这事，说白了就是「版本对齐」。驱动、CUDA、cuDNN、PyTorch，四个东西的版本必须在一个频道上。你只要记住这个原则，遇到问题先查版本兼容性，基本能解决90%的坑。