📚 课程目录第2章训练环境配置

2. 训练环境配置：GPU驱动与CUDA安装、PyTorch环境搭建、Ultralytics库安装与验证

说实话，环境配置这一步，看着简单，但坑是真不少。我见过太多同学在群里问「为什么我训练跑不起来」，最后发现是CUDA版本没对上。所以这一章，咱们把每一步都走踏实了。

2.1 硬件与软件的前置检查

动手之前，先确认你的机器够不够格。我个人习惯列个清单，一项项打勾：

组件	最低要求	推荐配置
GPU	NVIDIA GTX 1060 (6GB)	NVIDIA RTX 3060 或更高
显存	6 GB	12 GB 以上
操作系统	Ubuntu 20.04 / Windows 10	Ubuntu 22.04 / Windows 11
Python	3.8	3.10 - 3.12
磁盘空间	20 GB	50 GB (SSD)

嗯，这里要注意：显存是硬门槛。YOLOv8 训练一张 640x640 的图，batch size 设为 16，大概吃掉 8GB 显存。你想想看，如果只有 6GB，那就得把 batch size 降到 8 甚至 4，训练时间直接翻倍。

2.2 GPU驱动与CUDA安装

说白了，CUDA 就是 NVIDIA 给咱们深度学习准备的「加速器」。没有它，GPU 就是个摆设。

2.2.1 检查现有驱动

先看看你机器上有没有驱动。打开终端（Windows 用 cmd 或 PowerShell），敲：

nvidia-smi

如果能看到 GPU 型号、驱动版本、CUDA 版本，说明驱动已经装好了。我曾经遇到一台机器，nvidia-smi 能跑，但 PyTorch 就是检测不到 GPU。后来发现是驱动版本太老，只支持 CUDA 10.2，而 PyTorch 要的是 11.8。所以这里有个关键点：驱动版本必须 >= 你安装的 CUDA 版本所要求的最低驱动。

我的经验： 驱动版本尽量装新一点的。比如驱动 545 或 550，能兼容 CUDA 11.8 到 12.x。省得以后升级 PyTorch 时又要重装驱动。

2.2.2 安装CUDA

去 NVIDIA 官网下载 CUDA Toolkit。我个人推荐 CUDA 11.8，因为 PyTorch 2.x 对它的支持最稳定。安装步骤很简单：

下载对应系统的 runfile（Linux）或 exe（Windows）
Linux 下执行 sudo sh cuda_11.8.0_xxx.run
安装时不要勾选驱动（如果你已经装好了）
配置环境变量：export PATH=/usr/local/cuda-11.8/bin:$PATH
验证：nvcc --version

避坑指南： 我曾经在 Ubuntu 上同时装了 CUDA 11.8 和 12.1，结果 nvcc 指向了旧版本，但 PyTorch 检测到的是新版本。训练时莫名其妙报错。后来我统一用软链接 /usr/local/cuda 指向一个版本，才解决问题。

2.3 PyTorch环境搭建

我习惯用 conda 管理环境，干净、隔离、好卸载。你想想看，如果直接在 base 环境里装，哪天搞崩了，整个 Python 都得重装。

2.3.1 创建虚拟环境

conda create -n yolov8 python=3.10
conda activate yolov8

2.3.2 安装PyTorch

去 PyTorch 官网，选你的配置。比如 CUDA 11.8 就用：

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

装完之后，一定要验证 GPU 是否可用。敲下面几行：

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

如果输出 True 和你的 GPU 型号，恭喜，环境搭好了。如果输出 False，别慌。我遇到过的情况是：PyTorch 版本和 CUDA 版本不匹配。比如你装了 CUDA 12.1，但 pip 装的是 cu118 版本，那肯定认不出来。

  核心原则： PyTorch 的 CUDA 版本必须 <= 你安装的 CUDA 版本。比如 CUDA 11.8 的 PyTorch 可以在 CUDA 12.1 的驱动上跑，但反过来不行。

2.4 Ultralytics库安装与验证

Ultralytics 是 YOLOv8 的官方库，封装得很好。安装就一句话：

pip install ultralytics

它会自动把依赖（opencv-python、matplotlib、pandas 等）都装上。我个人建议装完之后，跑一个简单的验证脚本：

from ultralytics import YOLO

# 加载预训练模型
model = YOLO('yolov8n.pt')

# 跑一次推理
results = model('https://ultralytics.com/images/bus.jpg')

# 打印检测结果
for r in results:
    print(r.boxes)

如果能看到 bounding box 的坐标和置信度，说明整个环境都通了。我第一次跑这个脚本时，等了大概 10 秒才出结果——因为它在下载模型权重。第二次就快多了。

小技巧： 如果网络慢，可以手动下载 yolov8n.pt 放到当前目录，这样脚本就不会卡在下载上了。

2.5 知识体系总览

下面这张图，把整个环境配置的流程串起来了。你跟着箭头走，基本不会出错。

2.6 常见问题速查表

最后，我把这些年踩过的坑整理成一张表。你遇到问题，先来这里找找答案。

问题现象	可能原因	解决方案
`nvidia-smi` 找不到命令	驱动未安装或未加入PATH	重装驱动，或手动添加 `/usr/bin` 到PATH
`torch.cuda.is_available()` 返回 False	PyTorch CUDA版本与驱动不匹配	用 `pip list \| grep torch` 查看版本，重新安装对应CUDA版本
训练时显存不足	batch size 太大 / 图片分辨率太高	降低 batch size，或使用 `--half` 开启混合精度
Ultralytics 导入报错	依赖库版本冲突	新建 conda 环境，重新 `pip install ultralytics`
模型下载超时	网络问题	手动下载 .pt 文件，放到项目根目录

环境配置这块，说白了就是「版本对齐」四个字。驱动、CUDA、PyTorch、Ultralytics，它们之间有一个隐形的版本锁链。只要链子不断，后面训练就顺了。嗯，咱们这一章就到这儿，接下来就可以真正开始调参了。