YOLO入门实操（三）：手把手搭建YOLO环境（Windows/Linux双版本，避坑指南）

Ne0inhk

15 Mar 2026 — 18 min read

这个系列主要面向计算机视觉新手、深度学习入门者，不追求晦涩的公式堆砌，重点拆解YOLO的核心逻辑、实操技巧和工程落地场景，帮助大家从“听说过YOLO”到“能上手用YOLO”，逐步吃透这个目标检测领域的“明星算法”。

文章目录

一、前期统一准备（双系统通用，必看）
二、Windows 10/11 版本（新手首选，图形化操作，易上手）
三、Linux 版本（Ubuntu 20.04/22.04，服务器/台式机首选）
四、双系统通用补充
尾声
感谢大伙观看，别忘了三连支持一下
大伙也可以关注一下我的其它专栏，同样精彩喔~
大伙也可以添加下面的微信来交流

在前几篇内容中，我们完整解析了YOLO系列版本演进，重点掌握了v5（入门）、v8（进阶）、v11（高精度）三大核心版本的核心逻辑与选型方法。
从本篇开始，我们进入实操环节——环境搭建是YOLO训练、推理、部署的第一步，也是新手最容易踩坑的环节，尤其不同系统、不同显卡的适配的问题，常常让新手无从下手。

本文将针对Windows 10/11和**Linux（Ubuntu 20.04/22.04，最主流版本）**双系统，手把手拆解YOLO环境搭建全流程，重点适配v5、v8、v11版本（三者环境通用，无需单独搭建），同步补充新手高频踩坑点、解决方案及验证方法，全程新手友好，无需复杂的编程基础，跟着步骤走就能搭建成功，为后续的模型训练、自定义数据集适配打下坚实基础。

核心前提：YOLO环境的核心依赖是「Python + PyTorch + Ultralytics框架」，其中PyTorch的安装是关键（需匹配显卡型号），Ultralytics框架是v5、v8、v11的统一运行载体，安装一次即可兼容三个版本。本文优先讲解「GPU版本环境」（训练速度快，适配大部分新手的独立显卡），同时补充CPU版本备选方案（无独立显卡的新手可参考）。

一、前期统一准备（双系统通用，必看）

无论Windows还是Linux，搭建前先完成以下准备，避免后续踩坑，重点确认显卡兼容性（核心！）：

显卡兼容性检查：优先使用NVIDIA独立显卡（AMD显卡对PyTorch的GPU支持不完善，新手不推荐），且显卡需支持CUDA（大部分2018年后的NVIDIA显卡都支持）。检查方法：Windows打开「设备管理器→显示适配器」，Linux终端输入lspci | grep -i nvidia，确认显示NVIDIA显卡型号。
核心依赖版本约定（适配v5、v8、v11，稳定不踩坑）：Python 3.8 - 3.10（不建议用3.11及以上，部分依赖不兼容）、PyTorch 2.0 - 2.4（需匹配CUDA版本）、Ultralytics 8.0+（最新版本即可，兼容v5/v8/v11）。
避坑前置：全程不要用中文路径、不要用管理员权限随意运行终端/Anaconda（容易出现权限报错）、不要混合安装多个Python版本（会导致环境混乱）。

二、Windows 10/11 版本（新手首选，图形化操作，易上手）

步骤按「显卡驱动→Anaconda（虚拟环境）→Python→PyTorch→Ultralytics→验证环境」拆解，每一步附具体操作、命令及避坑指南，全程复制命令即可，无需手动修改。

步骤1：安装NVIDIA显卡驱动（GPU版本必装，CPU版本跳过）

显卡驱动是GPU加速的基础，版本需与后续安装的CUDA版本匹配，新手建议按以下步骤自动安装，避免版本不兼容：

打开NVIDIA官方驱动下载页面（无需注册，直接访问）：https://www.nvidia.com/zh-cn/geforce/drivers/
自动检测显卡型号：页面点击「自动检测我的GPU」，下载并安装检测工具，工具会自动识别显卡型号，推荐适配的驱动版本（无需手动选择）。
安装驱动：双击下载的驱动文件，选择「精简安装」（新手首选，避免多余组件），安装完成后重启电脑（必须重启，否则驱动不生效）。

如果自己选择，可以打开任务管理器查看然后按照自己的配置选择一下，下面是我的配置情况：

避坑指南1：不要手动选择过高或过低的驱动版本，按官方推荐版本安装；若安装失败，先卸载电脑中已有的NVIDIA驱动（控制面板→程序卸载），重启后再重新安装。

避坑指南2：笔记本用户注意，部分笔记本有「核显+独显」双显卡，需确认独显是NVIDIA，且安装驱动时选择「针对笔记本的NVIDIA驱动」（检测工具会自动识别）。

步骤2：安装Anaconda，创建虚拟环境（核心，避免环境混乱）

Anaconda用于创建独立的Python虚拟环境，隔离不同项目的依赖，避免YOLO环境与其他Python项目冲突，新手必装：

下载Anaconda：访问官方下载页面（免费）：https://www.anaconda.com/products/distribution#download-section
也可以使用清华镜像：
https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/
选择Windows系统、Python 3.9版本（适配性最好），下载64位安装包。
安装Anaconda：
- 双击安装包，点击「Next」，勾选「I Agree」，选择「Just Me」（仅当前用户，避免权限问题）。
- 关键步骤：取消勾选「Add Anaconda3 to my PATH environment variable」（手动配置环境变量更稳定），勾选「Register Anaconda3 as my default Python 3.13」，点击「Install」。

安装路径建议修改为「D:\Anaconda3」（不要装在C盘，避免占用系统空间，路径不要有中文、空格）。

安装完成后，点击「Finish」，无需勾选「Launch Anaconda Navigator」。

配置环境变量（必做，否则终端无法识别conda命令）：
- 点击「新建」，依次添加以下3个路径（替换为你的Anaconda安装路径，若按上面建议安装，直接复制即可）：

打开「此电脑→属性→高级系统设置→环境变量→用户变量→Path」，点击「编辑」。

 D:\Anaconda3 D:\Anaconda3\Scripts D:\Anaconda3\Library\bin

点击「确定」保存，关闭所有窗口，重启电脑（环境变量生效）。

输入命令创建虚拟环境（环境名建议叫yolo_v11，易记，Python版本指定3.9）：

激活虚拟环境（后续所有操作都要在这个环境中进行）
conda activate yolo_v11

查看系统所有虚拟环境：
conda env list

打开「Anaconda Prompt」（开始菜单搜索，管理员身份运行会报错，直接打开即可）。

创建并激活YOLO虚拟环境：conda create -n yolo_v11 python=3.9 -y
（-y表示自动确认，无需手动输入y）

激活成功后，终端前面会显示「(yolo_v11)」，表示当前在YOLO专属环境中。

避坑指南3：环境变量配置错误，会导致「conda不是内部或外部命令」，若出现此报错，重新检查路径是否正确、是否重启电脑；若创建环境失败，检查网络，可切换conda镜像源（下文有补充）。

步骤3：安装PyTorch（GPU/CPU版本二选一，重点！）

PyTorch是YOLO运行的核心框架，GPU版本比CPU版本训练速度快10倍以上，优先安装GPU版本；若无NVIDIA显卡，再安装CPU版本。

选项1：GPU版本（推荐，有NVIDIA显卡必装）

查看适配的CUDA版本：打开Anaconda Prompt（已激活yolo_v11环境），输入命令：

nvidia-smi
输出结果中，「CUDA Version」后面的版本就是你的显卡支持的最高CUDA版本（例如12.2），我们安装的PyTorch CUDA版本需≤这个版本（新手建议安装11.8版本，稳定兼容v5/v8/v11）。

安装PyTorch 2.5.0（适配CUDA 11.8，稳定不踩坑）：复制以下命令，在终端粘贴运行（全程联网，耐心等待，约5-10分钟）：
下面是pytorch的官网： https://pytorch.org/

pip install torch==2.5.0 torchvision==0.20.0 torchaudio==2.5.0 --index-url https://download.pytorch.org/whl/cu118

选项2：CPU版本（无NVIDIA显卡，新手备选）

直接复制以下命令运行，无需检查CUDA，安装速度更快：

pip install torch==2.4.0 torchvision==0.19.0 torchaudio==2.4.0 --index-url https://download.pytorch.org/whl/cpu

避坑指南4：不要用conda安装PyTorch（容易出现CUDA不兼容问题），优先用pip安装；若安装速度极慢，切换国内PyPI镜像源（下文补充）；安装完成后，务必验证是否成功（步骤见下文）。

避坑指南5：若出现「torch.cuda.is_available()返回False」（GPU版本验证失败），大概率是显卡驱动版本过低、CUDA版本不匹配，重新安装对应版本的显卡驱动即可。

步骤4：安装Ultralytics框架（适配v5、v8、v11，一键安装）

Ultralytics是v5、v8、v11的统一运行框架，安装一次即可兼容三个版本，无需分别安装。
可以在Gitee上面下载到源码：
https://gitee.com/monkeycc/ultralytics/tree/v8.3.163/

解压到一个没有中文路径的地方即可。

步骤5：安装额外依赖，验证环境（关键，确保能正常运行YOLO）

安装额外依赖（适配数据集处理、可视化等后续操作）：
在Anaconda Prompt 中进入 Ultralitics 的文件夹：
pushd F:\ZEEKLOG\DeepLearning\ultralytics-8.3.163

下载其它包：
pip install -e .

验证PyTorch是否安装成功（GPU版本重点验证）：

在终端输入「python」，进入Python交互环境，依次输入以下2行命令：

import torch print(torch.cuda.is_available())

若输出「True」，表示GPU版本安装成功；
若输出「False」，GPU版本失败，检查显卡驱动和CUDA版本；
若未报错，仅输出「False」，说明是CPU版本，正常。
输入「exit()」退出Python交互环境。

验证Ultralytics框架是否安装成功（适配v5、v8、v11）：

在终端输入命令（运行v8预训练模型，测试一张默认图片，无需手动下载模型）：

yolo predict model=yolov8s.pt source='https://ultralytics.com/images/bus.jpg'
若能正常下载模型、输出检测结果（显示检测到的bus、person等目标），表示环境搭建成功。

Windows版本高频避坑汇总（新手必看）

坑1：conda命令无法识别 → 重新配置环境变量，确保3个路径正确，重启电脑；
坑2：PyTorch安装超时 → 切换清华镜像源，或用手机热点联网（部分校园网、公司网限制）；
坑3：GPU版本验证失败（False） → 显卡驱动版本过低，重新安装官方推荐的驱动；
坑4：运行yolo命令报错「No module named ‘ultralytics’」 → 确认在yolo_v11环境中，重新安装ultralytics；
坑5：中文路径报错 → 所有安装路径、后续的数据集路径，都不要有中文、空格。

三、Linux 版本（Ubuntu 20.04/22.04，服务器/台式机首选）

Linux版本操作以终端命令为主，比Windows更稳定，适合后续部署和批量训练，步骤与Windows类似，重点适配Ubuntu系统（最主流的Linux发行版），同样适配v5、v8、v11版本。

前置说明：Ubuntu系统建议安装纯净版（不要装桌面版多余组件），服务器用户可通过SSH连接终端操作；全程在普通用户权限下操作，不要用root用户（避免权限混乱）。

步骤1：更新系统，安装基础依赖

打开终端（快捷键Ctrl+Alt+T），依次输入以下命令，更新系统并安装基础依赖：

sudo apt update && sudo apt upgrade -y sudo apt install gcc g++ make cmake git -y

步骤2：安装NVIDIA显卡驱动（GPU版本必装，CPU版本跳过）

添加NVIDIA驱动源：
sudo add-apt-repository ppa:graphics-drivers/ppa sudo apt update
查看适配的驱动版本：
ubuntu-drivers devices
输出结果中，「recommended」后面的就是推荐的驱动版本（例如nvidia-driver-535）。
安装驱动：
sudo apt install nvidia-driver-535 -y（替换为推荐的版本号）
重启电脑，验证驱动是否安装成功：
nvidia-smi
若能显示显卡信息和CUDA Version，说明驱动安装成功。

步骤3：安装Anaconda，创建虚拟环境

安装Anaconda：
bash Anaconda3-2023.07-2-Linux-x86_64.sh

下载Anaconda安装包（终端命令下载，无需手动访问网页）：
wget https://repo.anaconda.com/archive/Anaconda3-2023.07-2-Linux-x86_64.sh

按Enter继续，按空格键查看协议，输入「yes」同意协议。
安装路径默认即可（/home/用户名/anaconda3），直接按Enter；若需修改，输入路径后按Enter。
最后输入「yes」，同意初始化Anaconda。

重启终端（让Anaconda生效），或输入以下命令生效：
source ~/.bashrc

创建并激活YOLO虚拟环境（与Windows一致，环境名yolo_v11，Python 3.9）：
conda create -n yolo_v11 python=3.9 -y conda activate yolo_v11
激活成功后，终端前面显示「(yolo_v11)」。

步骤4：安装PyTorch（与Windows完全一致，二选一）

选项1：GPU版本（推荐）

pip install torch==2.5.0 torchvision==0.20.0 torchaudio==2.5.0 --index-url https://download.pytorch.org/whl/cu118

选项2：CPU版本

pip install torch==2.5.0 torchvision==0.20.0 torchaudio==2.5.0 --index-url https://download.pytorch.org/whl/cpu

步骤5：安装Ultralytics框架及额外依赖

与Windows步骤一致，终端输入以下命令：

pip install ultralytics opencv-python pillow matplotlib numpy pandas -i https://pypi.tuna.tsinghua.edu.cn/simple

步骤6：验证环境（与Windows一致）

验证PyTorch：
python -c "import torch; print(torch.cuda.is_available())"

输出「True」表示GPU版本成功，「False」表示CPU版本正常。

验证Ultralytics：
yolo predict model=yolov8s.pt source='https://ultralytics.com/images/bus.jpg'

正常输出检测结果，即为环境搭建成功。

Linux版本高频避坑汇总（新手必看）

坑1：sudo apt update报错 → 更换Ubuntu镜像源（阿里、清华源），新手可参考ZEEKLOG Ubuntu镜像源配置教程；
坑2：显卡驱动安装失败 → 卸载原有驱动（sudo apt purge nvidia-*），重新安装推荐版本；
坑3：Anaconda安装后不生效 → 运行source ~/.bashrc，或重启终端；
坑4：pip安装权限不足 → 不要用sudo pip install（会污染系统环境），在虚拟环境中直接安装即可；
坑5：终端中文乱码 → 配置系统中文编码，或直接用英文路径、英文命令。

四、双系统通用补充

1. 镜像源切换（解决安装速度慢、超时问题）

若pip安装依赖时速度极慢，可配置清华PyPI镜像源（永久生效），终端输入以下命令：

pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple

2. 环境异常解决方案

若后续使用中出现环境报错（如依赖冲突、模块缺失），无需重新搭建，直接删除虚拟环境，重新创建即可：

conda deactivate（退出虚拟环境）

conda remove -n yolo_v11--all -y（删除虚拟环境）

然后重新执行「创建虚拟环境→安装依赖」的步骤，10分钟即可恢复。

3. 后续实操衔接

本文搭建的环境，可直接用于v5、v8、v11的训练、推理和部署，所有操作都在本次搭建的yolo_v11虚拟环境中进行。

尾声

至此，Windows和Linux双版本的YOLO环境搭建已全部完成，重点适配v5、v8、v11三大核心版本，全程手把手拆解，补充了新手高频踩坑点和解决方案，确保新手能一次搭建成功。环境搭建是YOLO实操的基础，只要环境没问题，后续的模型训练、自定义适配都会非常顺利。

下一篇内容，我们将聚焦 YOLO实操——用YOLO预训练模型快速实现目标检测，感兴趣的同学可以持续关注。如果搭建过程中遇到其他问题，欢迎在评论区留言，我会及时回复解答～