第2章：Ubuntu + CUDA + cuDNN + PyTorch + YOLOv8 环境配置

环境搭建，说白了就是给 YOLO 安家。我见过太多同学模型写得溜，一到配环境就卡三天。这一章咱们就把 Ubuntu 上的深度学习全家桶一次装明白，顺便把那些常见的版本冲突坑都填上。

2.1 整体架构一览

先看一张图，搞清楚这些组件是怎么串起来的。你想想看，YOLOv8 跑在 PyTorch 上，PyTorch 依赖 CUDA 驱动 GPU，cuDNN 给 CUDA 加速。任何一个版本对不上，训练就崩。

2.2 环境版本对照表

我整理了一份实测过的版本组合。记住，不是越新越好，稳定才是王道。

2.3 分步安装流程

2.3.1 安装 NVIDIA 驱动

这一步最容易翻车。我曾经在一台双卡机器上装驱动，结果黑屏了三次才找到原因——Secure Boot 没关。

# 查看推荐驱动版本
ubuntu-drivers devices

# 自动安装推荐驱动
sudo ubuntu-drivers autoinstall

# 或者手动指定版本（推荐 535）
sudo apt install nvidia-driver-535

# 重启后验证
nvidia-smi

2.3.2 安装 CUDA Toolkit

我个人习惯用 runfile 安装，不用 deb 包。为什么？因为 runfile 可以自定义安装路径，方便多版本共存。

# 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

# 执行安装（注意不要装驱动，只装 toolkit）
sudo sh cuda_11.8.0_520.61.05_linux.run --toolkit --silent --override

# 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

# 验证
nvcc --version

2.3.3 安装 cuDNN

cuDNN 需要去 NVIDIA 官网注册下载，不能直接 wget。下载后是个 tar 包，解压复制就行。

# 解压 cuDNN 8.9.7 for CUDA 11.x
tar -xzvf cudnn-linux-x86_64-8.9.7.29_cuda11-archive.tar.xz

# 复制到 CUDA 目录
sudo cp cudnn-*-archive/include/cudnn*.h /usr/local/cuda-11.8/include/
sudo cp -P cudnn-*-archive/lib/libcudnn* /usr/local/cuda-11.8/lib64/

# 设置权限
sudo chmod a+r /usr/local/cuda-11.8/include/cudnn*.h
sudo chmod a+r /usr/local/cuda-11.8/lib64/libcudnn*

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

2.3.4 安装 PyTorch

这里有个坑：不要直接用 pip install torch，它会装 CPU 版本。一定要指定 CUDA 版本。

# 创建虚拟环境（强烈推荐）
python3 -m venv yolov8_env
source yolov8_env/bin/activate

# 安装 PyTorch 2.0.1 + CUDA 11.8
pip install torch==2.0.1 torchvision==0.15.2 torchaudio==2.0.2 --index-url https://download.pytorch.org/whl/cu118

# 验证 GPU 可用
python -c "import torch; print(torch.cuda.is_available()); print(torch.version.cuda)"

True
11.8

2.3.5 安装 YOLOv8

# 安装 ultralytics 包
pip install ultralytics

# 验证安装
yolo predict model=yolov8n.pt source='https://ultralytics.com/images/bus.jpg'

# 或者用 Python 验证
python -c "from ultralytics import YOLO; model = YOLO('yolov8n.pt'); print('YOLOv8 安装成功')"

2.4 常见版本冲突与解决方案

这部分是我在项目中踩过的坑，一个一个说。

2.4.1 CUDA 版本与 PyTorch 不匹配

报错：CUDA error: no kernel image is available for execution on the device

原因：PyTorch 编译时用的 CUDA 版本和当前驱动支持的 CUDA 版本不一致。

解决：

• 查驱动支持的最高 CUDA 版本：nvidia-smi 右上角显示
• 去 PyTorch 官网选对应版本的安装命令
• 或者降级 PyTorch：pip install torch==1.13.1+cu117 --index-url https://download.pytorch.org/whl/cu117

2.4.2 cuDNN 版本不兼容

报错：libcudnn.so.8: cannot open shared object file

原因：cuDNN 版本与 CUDA 不匹配，或者路径没配置对。

解决：

• 确认 cuDNN 版本：cat /usr/local/cuda/include/cudnn_version.h | grep CUDNN_MAJOR
• 检查 LD_LIBRARY_PATH 是否包含 CUDA lib64 目录
• 如果还不行，试试软链接：sudo ln -sf /usr/local/cuda-11.8/targets/x86_64-linux/lib/libcudnn.so.8 /usr/lib/x86_64-linux-gnu/libcudnn.so.8

2.4.3 PyTorch 与 YOLOv8 版本冲突

报错：AttributeError: module 'torch' has no attribute 'compile'

原因：YOLOv8 新版本用了 torch.compile，但 PyTorch 版本太低不支持。

解决：

• 升级 PyTorch 到 2.0+：pip install torch>=2.0.0
• 或者降级 YOLOv8：pip install ultralytics==8.0.100

2.4.4 GCC 版本问题

报错：gcc: error: unrecognized command line option '-std=c++17'

原因：系统 GCC 版本太老，不支持 C++17。

解决：

# 安装 GCC 9+
sudo apt install gcc-9 g++-9

# 设置默认版本
sudo update-alternatives --install /usr/bin/gcc gcc /usr/bin/gcc-9 90
sudo update-alternatives --install /usr/bin/g++ g++ /usr/bin/g++-9 90

2.5 环境验证脚本

我写了个一键验证脚本，每次配完环境跑一遍，心里踏实。

#!/bin/bash
# check_env.sh - YOLOv8 环境验证脚本

echo "=== 1. NVIDIA 驱动 ==="
nvidia-smi | head -n 3

echo -e "\n=== 2. CUDA 版本 ==="
nvcc --version | grep "release"

echo -e "\n=== 3. cuDNN 版本 ==="
cat /usr/local/cuda/include/cudnn_version.h | grep "CUDNN_MAJOR\|CUDNN_MINOR\|CUDNN_PATCHLEVEL"

echo -e "\n=== 4. PyTorch + GPU ==="
python -c "import torch; print(f'PyTorch: {torch.__version__}'); print(f'CUDA可用: {torch.cuda.is_available()}'); print(f'GPU数量: {torch.cuda.device_count()}'); print(f'当前GPU: {torch.cuda.get_device_name(0)}')"

echo -e "\n=== 5. YOLOv8 ==="
python -c "from ultralytics import YOLO; print('YOLOv8 导入成功')"

2.6 避坑指南

• 不要用 sudo pip install：容易污染系统 Python，一定要用虚拟环境。我习惯用 venv，轻量无依赖。
• CUDA 不要装最新版：PyTorch 对最新 CUDA 的支持通常滞后 1-2 个月。CUDA 11.8 是目前最稳的选择。
• 多版本 CUDA 共存：用 runfile 装到不同目录，通过 update-alternatives 切换。我机器上就同时有 11.8 和 12.1。
• 磁盘空间：CUDA Toolkit 大约 3GB，cuDNN 几百 MB，PyTorch 带依赖 2GB 左右。确保 /usr 分区有 20GB 以上空闲。
• Docker 方案：如果实在配不好，直接用 nvcr.io/nvidia/pytorch:23.08-py3 镜像，开箱即用。但生产环境我还是推荐裸机安装，性能更好。