3. 操作系统与驱动：Ubuntu 20.04 LTS安装、NVIDIA驱动安装、CUDA与cuDNN配置
说实话，工业缺陷检测这个方向，环境配置往往是第一个坑。我见过不少团队，模型在开发机上跑得飞起，一到产线工控机就各种报错。说白了，底层环境没搞扎实。
这一章，咱们就把地基打牢。Ubuntu 20.04、NVIDIA驱动、CUDA、cuDNN，一步都不能省。
核心原则： 工业场景追求稳定，不是追新。Ubuntu 20.04 LTS + CUDA 11.x 是目前工控机兼容性最好的组合之一。
3.1 Ubuntu 20.04 LTS 安装要点
我个人习惯用 Ubuntu Server 版，不带桌面，省资源。但如果你需要调试可视化界面，Desktop 版也行。记住，选 LTS，别碰 interim 版本。
安装时几个关键点：
- 磁盘分区： 建议手动分区。`/` 给 50-80GB，`/home` 给剩余空间，swap 分区大小等于物理内存即可（工控机一般 16GB 或 32GB）。
- 软件源： 安装时选国内镜像（阿里云、清华、中科大），不然下载慢到怀疑人生。
- SSH 服务： 安装过程中勾选 OpenSSH server。产线工控机通常无头操作，没 SSH 你连上去都费劲。
我的经验： 曾经在一台老款工控机上装 Ubuntu 22.04，结果网卡驱动不兼容，折腾了两天。换回 20.04，半小时搞定。所以，别盲目追新。
3.2 NVIDIA 驱动安装：两种主流方式
驱动装不好，后面全是白搭。我推荐两种方式，看你的网络环境选。
方式一：Ubuntu 官方源（推荐，最稳）
# 先禁用 nouveau（开源驱动，不装这个 NVIDIA 驱动起不来）
sudo bash -c "echo blacklist nouveau > /etc/modprobe.d/blacklist-nvidia-nouveau.conf"
sudo update-initramfs -u
# 重启
sudo reboot
# 重启后，添加显卡驱动 PPA
sudo add-apt-repository ppa:graphics-drivers/ppa
sudo apt update
# 查看推荐版本
ubuntu-drivers devices
# 安装推荐版本（比如 nvidia-driver-535）
sudo apt install nvidia-driver-535
# 再次重启
sudo reboot
# 验证
nvidia-smi方式二：NVIDIA 官网 .run 文件（离线环境必备）
产线工控机经常没网。这时候提前下载好 `.run` 文件，U盘拷进去。
# 同样先禁用 nouveau（同上）
# 进入纯命令行模式（Ctrl+Alt+F2）
sudo telinit 3
# 给 .run 文件执行权限
chmod +x NVIDIA-Linux-x86_64-535.xxx.run
# 安装，加 --no-opengl-files 避免和桌面冲突
sudo ./NVIDIA-Linux-x86_64-535.xxx.run --no-opengl-files
# 重启
sudo reboot
# 验证
nvidia-smi
避坑： 我曾经在安装 .run 文件时忘了加 `--no-opengl-files`，结果 Ubuntu 桌面循环登录，进不去系统。最后进 recovery mode 卸载驱动重装才解决。所以，这个参数一定要加。
3.3 CUDA 安装与配置
驱动装好只是第一步。CUDA 才是深度学习模型的加速引擎。工业场景我推荐用 runfile 方式安装，灵活，不污染系统包管理器。
安装步骤：
- 去 NVIDIA 官网下载 CUDA 11.8（对应你的驱动版本，用 `nvidia-smi` 看支持的 CUDA 版本上限）。
- 选择 runfile (local) 版本。
- 执行安装，注意：安装时不要勾选 Driver，只装 CUDA Toolkit。
# 下载（假设已经下载到本地）
chmod +x cuda_11.8.0_520.61.05_linux.run
sudo ./cuda_11.8.0_520.61.05_linux.run
# 安装过程中：
# - 输入 accept
# - 取消勾选 Driver（重要！）
# - 其他全选，Install
# 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
小技巧： 我习惯在 `/usr/local` 下保留多个 CUDA 版本（比如 11.8 和 12.1），通过软链接 `sudo ln -s /usr/local/cuda-11.8 /usr/local/cuda` 切换。这样不同项目可以灵活选择。
3.4 cuDNN 配置：别小看这个库
cuDNN 是 NVIDIA 的深度神经网络加速库。没有它，卷积运算慢 3-5 倍。工业场景下，推理延迟差几毫秒可能就是良品率的问题。
安装步骤：
- 去 NVIDIA 官网下载 cuDNN（需要注册账号）。选择对应 CUDA 11.x 的版本。
- 下载 cuDNN Library for Linux (x86_64) 的 `.tar.xz` 包。
# 解压
tar -xvf cudnn-linux-x86_64-8.9.7.29_cuda11-archive.tar.xz
# 复制文件到 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
注意： cuDNN 版本必须和 CUDA 版本严格匹配。我曾经因为 cuDNN 8.9 配 CUDA 12.0，结果训练时 loss 直接 NaN。查了两天才发现是 cuDNN 不兼容。所以，下载前一定看清楚版本对应关系。
3.5 环境验证与常见问题
装完别急着跑模型。先做一轮快速验证，确保所有组件都正常工作。
验证清单：
| 组件 | 验证命令 | 预期输出 |
|---|---|---|
| NVIDIA 驱动 | nvidia-smi |
显示 GPU 型号、驱动版本、CUDA 版本 |
| CUDA Toolkit | nvcc --version |
显示 CUDA 编译版本（如 11.8） |
| cuDNN | cat /usr/local/cuda/include/cudnn_version.h | grep CUDNN_MAJOR |
显示 cuDNN 主版本号（如 8） |
| TensorRT（可选） | trtexec --version |
显示 TensorRT 版本 |
常见问题：
- nvidia-smi 报错 "Failed to initialize NVML"： 驱动没装好，或者内核模块没加载。试试 `sudo modprobe nvidia`。
- nvcc 找不到： 环境变量没配好。检查 `~/.bashrc` 里的 PATH 和 LD_LIBRARY_PATH。
- cuDNN 版本不匹配： 运行模型时提示 "libcudnn.so.8: cannot open shared object file"。说明 cuDNN 没装对，或者路径不对。
我的习惯： 每次装完环境，我都会写一个简单的 Python 脚本，用 PyTorch 或 TensorFlow 跑一个 mini 模型，确保 GPU 真的在工作。这一步能省掉后面很多排查时间。
这张图把整个流程串起来了。从操作系统到底层加速库，每一层都依赖上一层。驱动没装好，CUDA 就装不上；CUDA 版本不对，cuDNN 就白搭。工业场景下，这个链条必须完整且稳定。