第2章：环境搭建——Python环境配置、PyTorch安装、CUDA与cuDNN配置、YOLOv8源码下载与依赖安装

说实话，环境搭建是很多同学入门深度学习的第一道坎。我见过太多人卡在这一步，代码写好了，结果跑不起来，最后发现是CUDA版本没对上。这一章，咱们就把这些坑一个个填平。

2.1 Python环境配置

我个人习惯用Anaconda来管理Python环境。为什么？因为项目多了，依赖冲突是家常便饭。Anaconda能帮你隔离环境，互不干扰。

2.1.1 安装Anaconda

1. 去Anaconda官网下载对应系统的安装包（我建议选Python 3.9+版本）
2. 安装时记得勾选"Add Anaconda to my PATH environment variable"
3. 安装完成后，打开终端（Windows用cmd或PowerShell，Mac/Linux用bash）
4. 输入 conda --version 验证安装成功

2.1.2 创建YOLOv8专用环境

# 创建一个名为yolov8的环境，指定Python版本为3.9
conda create -n yolov8 python=3.9 -y

# 激活环境
conda activate yolov8

# 验证Python版本
python --version

2.2 PyTorch安装

PyTorch是YOLOv8的底层框架。安装前，你得先搞清楚一件事：你的电脑有没有NVIDIA显卡？

场景	安装命令	说明
有NVIDIA显卡（推荐）	pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118	CUDA 11.8版本，兼容性好
无NVIDIA显卡（CPU模式）	pip install torch torchvision torchaudio	只能跑CPU，速度慢很多
Mac M1/M2芯片	pip install torch torchvision torchaudio	PyTorch已原生支持MPS加速

安装完成后，验证一下：

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

如果输出 True，恭喜你，GPU加速已经就绪。如果是 False，别急，往下看CUDA配置。

2.3 CUDA与cuDNN配置

CUDA是NVIDIA的并行计算平台，cuDNN是深度神经网络的加速库。说白了，CUDA是高速公路，cuDNN是跑车——两者配合才能跑得快。

2.3.1 检查显卡驱动与CUDA版本

# Windows
nvidia-smi

# Linux/Mac
nvidia-smi

你会看到类似这样的输出：

+-----------------------------------------------------------------------------+
| NVIDIA-SMI 525.105.17   Driver Version: 525.105.17   CUDA Version: 12.0     |
+-----------------------------------------------------------------------------+

重点关注 CUDA Version。这个数字决定了你能安装哪个版本的PyTorch。

2.3.2 安装CUDA Toolkit

如果 nvidia-smi 显示的CUDA版本低于11.8，你需要手动安装：

1. 访问NVIDIA CUDA Toolkit存档页面
2. 选择CUDA 11.8（与PyTorch匹配）
3. 根据你的操作系统选择安装包
4. 安装完成后，重启终端，再次运行 nvidia-smi 确认版本

2.3.3 配置cuDNN

cuDNN的安装其实很简单：

1. 去NVIDIA cuDNN页面下载对应CUDA 11.8的cuDNN
2. 解压后，把bin、include、lib文件夹复制到CUDA安装目录
3. Windows默认路径：C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.8

2.4 YOLOv8源码下载与依赖安装

环境搭好了，现在来拉取YOLOv8的代码。我建议直接从官方仓库拉，别去第三方下载——你永远不知道别人改了什么。

2.4.1 克隆源码

# 进入你的工作目录
cd ~/projects

# 克隆YOLOv8官方仓库
git clone https://github.com/ultralytics/ultralytics.git

# 进入项目目录
cd ultralytics

# 查看分支（建议用main分支）
git branch -a

2.4.2 安装依赖

YOLOv8的依赖管理做得很好，一条命令搞定：

# 安装核心依赖
pip install -r requirements.txt

# 或者直接安装ultralytics包（推荐）
pip install ultralytics

安装完成后，验证一下：

python -c "from ultralytics import YOLO; print('YOLOv8导入成功')"

2.4.3 依赖清单速查

依赖包	版本要求	作用
torch	>=1.8.0	深度学习框架
torchvision	>=0.9.0	图像处理工具
numpy	>=1.18.0	数值计算
opencv-python	>=4.1.0	图像读取与处理
matplotlib	>=3.2.0	可视化
pillow	>=7.1.0	图像IO
pyyaml	>=5.3.0	配置文件解析
tqdm	>=4.64.0	进度条显示

2.5 环境搭建全流程一览

为了让你对整个流程有个直观认识，我画了张图：

2.6 常见问题与解决方案

环境搭建过程中，你可能会遇到这些问题。我把它们列出来，省得你到处搜：

问题	原因	解决方案
torch.cuda.is_available() 返回False	PyTorch版本与CUDA版本不匹配	卸载PyTorch，重新安装对应CUDA版本的PyTorch
ImportError: No module named 'torch'	未激活conda环境	运行 conda activate yolov8
CUDA out of memory	显存不足	减小batch size或使用更小的模型
git clone 速度慢	网络问题	使用代理或国内镜像源
pip install 超时	网络不稳定	加 -i https://pypi.tuna.tsinghua.edu.cn/simple 使用清华源