环境准备：Ubuntu/Conda环境搭建、CUDA/cuDNN安装、PyTorch框架配置、YOLO源码下载
说实话，很多同学一上来就急着调模型、跑推理，结果环境没配好，折腾两天连个demo都跑不起来。我见过太多这样的案例了。环境准备这事儿，看着基础，但坑是真不少。今天咱们就把这套流程捋清楚，你跟着走一遍，后面30章基本不会因为环境问题卡壳。
本章核心目标：在一台干净的Ubuntu机器上，从零搭建一套能跑YOLOv8/v9/v10的深度学习环境。说白了就是：系统→驱动→CUDA→PyTorch→源码，一条龙搞定。
2.1 Ubuntu系统与Conda环境搭建
我个人习惯用Ubuntu 22.04 LTS，兼容性好，社区支持也最活跃。如果你用的是20.04，问题也不大，但注意内核版本别太老。
先确认系统版本：
lsb_release -a
uname -m # 确认是x86_64，ARM用户后面要注意然后装Conda。我推荐Miniconda，轻量、干净，别装Anaconda全家桶，太臃肿了。
wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh
bash Miniconda3-latest-Linux-x86_64.sh
# 一路yes，最后source ~/.bashrc验证一下：
conda --version
conda info小技巧：我习惯在.condarc里配一下国内镜像源，不然下载慢到怀疑人生。清华源或者中科大源都行，自己搜一下配置方法。
接下来创建YOLO专用环境。我建议Python版本锁定3.10，太新或太老都可能跟某些库打架。
conda create -n yolo_env python=3.10 -y
conda activate yolo_env嗯，这里要注意：每次开新终端，记得先conda activate yolo_env。我曾经有个学生，配完环境忘了激活，在base里装了一堆包，最后版本全乱套了。
2.2 CUDA与cuDNN安装
这是整个环境里最容易出幺蛾子的环节。我建议先查一下你的显卡支持什么CUDA版本：
nvidia-smi看右上角的CUDA Version，那是你的驱动支持的最高版本。比如显示12.4，那你装CUDA 12.x都没问题。
我个人习惯用runfile安装，干净可控。去NVIDIA官网下载对应版本：
wget https://developer.download.nvidia.com/compute/cuda/12.4.0/local_installers/cuda_12.4.0_550.54.14_linux.run
sudo sh cuda_12.4.0_550.54.14_linux.run
# 注意：不要装驱动，只选CUDA Toolkit装完配置环境变量：
export PATH=/usr/local/cuda-12.4/bin:$PATH
export LD_LIBRARY_PATH=/usr/local/cuda-12.4/lib64:$LD_LIBRARY_PATH验证：
nvcc --version然后装cuDNN。去NVIDIA官网下载对应CUDA版本的cuDNN，解压后复制到CUDA目录：
tar -xvf cudnn-linux-x86_64-8.9.7.29_cuda12-archive.tar.xz
sudo cp cudnn-*-archive/include/cudnn*.h /usr/local/cuda/include
sudo cp -P cudnn-*-archive/lib/libcudnn* /usr/local/cuda/lib64
sudo chmod a+r /usr/local/cuda/include/cudnn*.h /usr/local/cuda/lib64/libcudnn*我曾经踩过的坑：cuDNN版本跟CUDA版本必须严格对应。有一次我图省事，随便下了个cuDNN，结果训练时loss直接nan，查了两天才发现是cuDNN不兼容。所以一定要去官网查兼容矩阵。
验证cuDNN：
cat /usr/local/cuda/include/cudnn_version.h | grep CUDNN_MAJOR -A 22.3 PyTorch框架配置
PyTorch安装其实是最简单的，但版本选择有讲究。我建议直接去PyTorch官网用命令行生成器，选对CUDA版本就行。
以CUDA 12.4为例：
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu124验证安装：
python -c "import torch; print(torch.__version__); print(torch.cuda.is_available())"如果输出True，恭喜你，环境基本成了。
为什么我推荐pip而不是conda？因为PyTorch的conda包有时候版本滞后，而且跟系统CUDA的绑定容易出问题。pip安装更直接，版本也最新。
这里有个常见问题：明明nvidia-smi显示CUDA 12.4，但PyTorch却说cuda is not available。为什么会这样？
大概率是PyTorch版本跟驱动不匹配。比如你装了CUDA 11.8的PyTorch，但驱动只支持12.x，那就不行。解决办法：要么升级驱动，要么降PyTorch版本。
2.4 YOLO源码下载与依赖安装
我推荐用Ultralytics的官方仓库，支持YOLOv8/v9/v10，社区活跃，文档也全。
git clone https://github.com/ultralytics/ultralytics.git
cd ultralytics
pip install -e .-e参数是editable模式，方便你改源码调试。我习惯这么装，后面改模型结构或者加自定义层都方便。
装完验证：
yolo predict model=yolov8n.pt source='https://ultralytics.com/images/bus.jpg'如果能正常输出检测结果，说明环境全部就绪。
依赖清单速查表：
| 组件 | 推荐版本 | 备注 |
|---|---|---|
| Ubuntu | 22.04 LTS | 20.04也可，注意内核 |
| Python | 3.10 | 兼容性最好 |
| CUDA | 12.x | 根据驱动版本选 |
| cuDNN | 8.9.x | 必须匹配CUDA |
| PyTorch | 2.x | 官网生成安装命令 |
| Ultralytics | 最新 | pip install -e . |
2.5 环境验证与常见问题排查
环境配完别急着跑，先做一轮完整验证：
- GPU驱动检查：
nvidia-smi能看到GPU信息 - CUDA可用性：
nvcc --version显示正确版本 - PyTorch GPU支持：
torch.cuda.is_available()返回True - YOLO推理测试：跑一张图片看结果
如果哪一步卡住了，别慌。我列几个常见问题：
问题1：torch.cuda.is_available()返回False
原因：PyTorch版本跟CUDA驱动不匹配
解决：卸载重装对应CUDA版本的PyTorch
问题2：YOLO推理报错ModuleNotFoundError: No module named 'ultralytics'
原因：没激活conda环境或者没装依赖
解决：conda activate yolo_env然后pip install -e .
问题3：训练时显存不足
原因：batch_size太大或者模型太大
解决：调小batch_size，或者换小模型如yolov8n
我曾经在一个项目里，客户服务器是Ubuntu 20.04，显卡是RTX 3090，驱动版本470，死活装不上CUDA 12.x。后来发现是驱动太老，升级到525就全通了。所以记住：驱动是一切的基础，先搞定驱动再谈别的。
环境配好之后，我建议你跑一个完整的训练+推理流程，确保所有组件协同工作。比如用yolov8n在COCO上训几个epoch，看看loss能不能正常下降。这一步虽然花点时间，但能帮你排除90%的潜在问题。
好了，环境准备就到这里。记住：配环境不是一次性的，后面换模型、换框架、换硬件都可能需要调整。但有了今天这套方法论，你至少知道从哪下手、怎么排查。