📚 课程目录第2章环境搭建

2. 环境搭建：Ubuntu/Conda环境配置、PyTorch安装、YOLOv11源码下载与依赖安装

做深度学习项目，环境搭建往往是第一道坎。我见过不少同学在配置环境上花了两三天，最后发现是Python版本不对。说实话，这事挺冤的。

这一章，我会带你一步步把YOLOv11的开发环境搭好。咱们用Ubuntu + Conda这套组合，干净、隔离、好管理。你跟着走，半小时内应该能跑起来。

2.1 整体环境概览

先看看我们要搭什么。下面这张图把整个环境栈画清楚了：

从下往上看：硬件驱动 → 系统 → 包管理 → 深度学习框架 → 应用代码。每一层都依赖下一层稳定工作。我个人习惯先把驱动和系统确认好，再往上搭，这样排查问题会快很多。

2.2 Ubuntu 系统准备

如果你用的是Windows，建议装个双系统或者用WSL2。我个人更推荐双系统，性能损耗最小。

2.2.1 检查系统版本

lsb_release -a

推荐用 Ubuntu 22.04 LTS 或 20.04 LTS。LTS版本稳定，社区支持时间长，踩坑了也容易搜到解决方案。

2.2.2 安装 NVIDIA 驱动与 CUDA

YOLOv11 训练离不开 GPU。没有 GPU 也能跑，但训练一个模型可能要几天——你想想看，这谁受得了。

先检查显卡型号：

lspci | grep -i nvidia

然后安装驱动。我建议用系统自带的 ubuntu-drivers 工具：

sudo ubuntu-drivers autoinstall
sudo reboot

重启后验证：

nvidia-smi

我的经验：nvidia-smi 显示的 CUDA Version 是驱动支持的最高版本，不是实际安装的 CUDA Toolkit 版本。PyTorch 安装时看的是这个数字来决定兼容性。

CUDA Toolkit 不用单独装——PyTorch 的 pip 包会自带 CUDA runtime。你只需要确保驱动版本 >= PyTorch 要求的 CUDA 版本就行。

PyTorch 版本	所需 CUDA 版本	最低驱动版本 (Linux)
2.1.x	11.8 / 12.1	520.61.05 / 530.30.02
2.0.x	11.7 / 11.8	515.43.04 / 520.61.05
1.13.x	11.6 / 11.7	510.39.01 / 515.43.04

注意：不要直接从 NVIDIA 官网下载 runfile 安装 CUDA Toolkit，除非你很清楚自己在做什么。用 pip 安装 PyTorch 时自带的 CUDA 版本最省心。我曾经手贱装过 runfile 版本，结果把系统驱动搞乱了，重装了系统——嗯，从那以后我再也不这么干了。

2.3 Conda 环境配置

Conda 是我最推荐的 Python 环境管理工具。它能隔离不同项目的依赖，互不干扰。

2.3.1 安装 Miniconda

Miniconda 比 Anaconda 轻量很多，够用了。

wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh
bash Miniconda3-latest-Linux-x86_64.sh

安装过程中一路 yes，最后重启终端或 source ~/.bashrc。

验证：

conda --version

2.3.2 创建 YOLOv11 专属环境

conda create -n yolov11 python=3.10 -y
conda activate yolov11

Python 版本我推荐 3.10。3.11 和 3.12 虽然更新，但有些依赖包还没完全适配。你想想看，为了一个新特性折腾半天兼容性问题，不值得。

  环境命名规范：我个人习惯用项目名作为环境名，比如 yolov11、yolov8、stable-diffusion。这样一看就知道这个环境是干嘛的。

2.4 PyTorch 安装

PyTorch 是 YOLOv11 的底层引擎。安装前先确认你的 CUDA 驱动版本：

nvidia-smi | grep "CUDA Version"

然后去 PyTorch 官网选择对应的安装命令。以 CUDA 12.1 为例：

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

验证安装：

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。

避坑：不要用 conda install pytorch，那个版本通常比 pip 慢一拍。我遇到过 conda 安装的 PyTorch 还是 1.13，而 pip 已经是 2.1 了。直接用 pip 吧。

2.5 YOLOv11 源码下载与依赖安装

YOLOv11 的源码在 Ultralytics 的 GitHub 仓库里。我们直接 clone 下来：

git clone https://github.com/ultralytics/ultralytics.git
cd ultralytics

然后安装依赖：

pip install -r requirements.txt

requirements.txt 里包含了所有必要的包，比如 opencv-python、matplotlib、pandas、tqdm 等。Ultralytics 团队维护得不错，基本不会出现依赖冲突。

安装完成后，验证一下：

yolo predict model=yolo11n.pt source='https://ultralytics.com/images/bus.jpg'

如果能看到检测结果，说明环境搭建成功了。

网络问题：如果你在境内，下载模型权重可能会很慢。建议配置镜像源：
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple -r requirements.txt
模型权重文件也可以手动下载后放到 ~/.cache/ultralytics/ 目录下。

2.6 完整环境搭建流程总结

下面这个表格把每一步的关键命令和注意事项汇总了，方便你对照操作：

步骤	关键命令	验证方式	常见问题
1. 安装 NVIDIA 驱动	`sudo ubuntu-drivers autoinstall`	`nvidia-smi`	驱动版本过低，升级即可
2. 安装 Miniconda	`bash Miniconda3-latest-Linux-x86_64.sh`	`conda --version`	记得 source ~/.bashrc
3. 创建虚拟环境	`conda create -n yolov11 python=3.10 -y`	`conda info --envs`	Python 版本不要选太高
4. 安装 PyTorch	`pip install torch torchvision ...`	`torch.cuda.is_available()`	CUDA 版本与驱动不匹配
5. 下载 YOLOv11 源码	`git clone https://github.com/ultralytics/ultralytics.git`	进入目录即可	网络慢，用代理或镜像
6. 安装依赖	`pip install -r requirements.txt`	`yolo predict ...`	依赖冲突，用新环境重试

  一句话总结：驱动 → Conda → PyTorch → YOLOv11 源码，按这个顺序走，每一步验证通过再往下。别跳步，跳步出问题了排查起来很痛苦。

环境搭好了，接下来就可以真正开始玩 YOLOv11 了。我个人觉得，环境搭建虽然枯燥，但它是后续所有工作的基础。花半小时把这一步做扎实，后面会顺畅很多。