YOLOv8 开发环境配置实战：Python、PyTorch 与 CUDA 搭建

• Windows：图形界面友好，驱动安装简单，但部分工具链支持不如 Linux 完善。
• Linux (Ubuntu)：深度学习生态最完善，系统稳定，多 GPU 支持好，强烈推荐 Ubuntu 20.04 或 22.04 LTS。
• macOS：仅部分芯片支持 GPU 加速，且部分库支持有限。

2.3 系统环境检查

开始安装前，先检查当前状态：

# 检查 Python 版本
python --version

# 检查 GPU 信息 (NVIDIA 用户)
nvidia-smi

# 检查系统架构
uname -m

输出应为 x86_64 或 amd64。若 nvidia-smi 无法识别，说明驱动未安装。

三、Python 环境配置

3.1 Python 安装与版本管理

推荐使用 Anaconda 或 Miniconda 来管理 Python 环境，避免不同项目之间的依赖冲突。

方案一：安装 Anaconda 适合初学者，包含大量数据科学库。访问官网下载对应系统的安装包，安装时建议勾选添加到环境变量。

方案二：安装 Miniconda 精简版，只包含 conda 和 Python，体积更小，适合有经验的用户。

3.2 创建虚拟环境

虚拟环境是最佳实践，能为每个项目创建独立的 Python 环境。

# 创建名为 yolov8 的环境，指定 Python 版本为 3.10
conda create -n yolov8 python=3.10 -y

# 激活环境
conda activate yolov8

激活后，命令行提示符会显示环境名称 (yolov8)。

3.3 虚拟环境管理常用命令

# 列出所有环境
conda env list
# 退出当前环境
conda deactivate
# 删除环境
conda remove -n 环境名 --all
# 导出环境配置
conda env export > environment.yml

3.4 pip 与 conda 的选择

• pip：Python 官方推荐，包数量多，更新及时。
• conda：可管理非 Python 依赖（如 CUDA），可管理 Python 版本。

建议策略：使用 conda 创建和管理虚拟环境，优先使用 conda 安装包，找不到时再用 pip，尽量不混用。

四、CUDA 与 cuDNN 安装配置

4.1 CUDA 简介与版本选择

CUDA 是深度学习 GPU 加速的基础。选择合适的 CUDA 版本需考虑显卡驱动支持和 PyTorch 兼容性。

查看显卡驱动支持的 CUDA 版本：

nvidia-smi

输出中的 "CUDA Version" 表示当前驱动支持的最高版本。目前推荐 CUDA 11.8（兼容性好）或 12.1（性能更好）。

4.2 Windows 系统 CUDA 安装

1. 访问 NVIDIA 官网下载 CUDA Toolkit。
2. 运行安装程序，选择自定义安装，勾选核心组件。
3. 检查环境变量是否自动配置了 CUDA_PATH 和 Path。
4. 验证：输入 nvcc --version。

4.3 Linux 系统 CUDA 安装

方法一：使用 runfile 安装

wget https://developer.download.nvidia.com/compute/cuda/11.8.0/local_installers/cuda_11.8.0_520.61.05_linux.run
sudo sh cuda_11.8.0_520.61.05_linux.run

安装时取消勾选 "Install NVIDIA Driver"（若已安装）。

方法二：使用 deb 包安装 (Ubuntu)

sudo apt-get update
sudo apt-get install -y build-essential
# 添加仓库并安装
sudo dpkg -i cuda-repo-ubuntu2204-11-8-local_11.8.0-520.61.05-1_amd64.deb
sudo apt-get update
sudo apt-get -y install cuda-11-8

配置环境变量 编辑 ~/.bashrc 文件，添加：

export PATH=/usr/local/cuda-11.8/bin${PATH:+:${PATH}}
export LD_LIBRARY_PATH=/usr/local/cuda-11.8/lib64${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}

保存后执行 source ~/.bashrc。

4.4 cuDNN 安装配置

cuDNN 需与 CUDA 版本匹配。

Linux 安装示例

tar -xvf cudnn-linux-x86_64-8.9.7.29_cuda11-archive.tar.xz
sudo cp cudnn-linux-x86_64-8.9.7.29_cuda11-archive/include/cudnn*.h /usr/local/cuda-11.8/include
sudo cp cudnn-linux-x86_64-8.9.7.29_cuda11-archive/lib/libcudnn* /usr/local/cuda-11.8/lib64
sudo chmod a+r /usr/local/cuda-11.8/include/cudnn*.h /usr/local/cuda-11.8/lib64/libcudnn*

4.5 多版本 CUDA 管理

可通过修改环境变量切换版本，或在 ~/.bashrc 中定义别名方便切换。

五、PyTorch 安装与配置

5.1 PyTorch 简介

PyTorch 是 Facebook AI Research 开发的开源框架，以动态计算图和易用性著称。YOLOv8 基于 PyTorch 构建。

5.2 PyTorch 版本选择

• PyTorch 2.0+：推荐，支持 CUDA 11.8 和 12.1。
• PyTorch 1.13+：稳定版本。

5.3 PyTorch 安装方法

使用 conda 安装

# 安装 PyTorch 2.1 + CUDA 11.8
conda install pytorch torchvision torchaudio pytorch-cuda=11.8 -c pytorch -c nvidia

使用 pip 安装

# PyTorch 2.1 + CUDA 11.8
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118

验证安装

import torch
print(f"PyTorch 版本：{torch.__version__}")
print(f"CUDA 是否可用：{torch.cuda.is_available()}")
if torch.cuda.is_available():
    print(f"GPU 型号：{torch.cuda.get_device_name(0)}")

5.4 常见问题与解决方案

• CUDA out of memory：减小 batch size 或使用小模型。
• PyTorch 无法检测到 GPU：检查驱动、CUDA 安装及是否安装了 CPU 版本。
• RuntimeError: no kernel image is available：通常因 CUDA 版本不匹配，需重新安装匹配的 PyTorch。

六、YOLOv8 安装与验证

6.1 YOLOv8 安装方法

最简单的方式是通过 pip 安装 ultralytics 包：

pip install ultralytics

如需修改源码，可从 GitHub 克隆并安装可编辑模式：

git clone https://github.com/ultralytics/ultralytics.git
cd ultralytics
pip install -e .

6.2 依赖项说明

安装时会包含 torch, torchvision, opencv-python, numpy 等核心依赖。特定功能（如 ONNX 导出）需额外安装 onnx 等包。

6.3 验证 YOLOv8 安装

from ultralytics import YOLO
import torch

model = YOLO('yolov8n.pt')
print(f"模型类型：{type(model)}")
if torch.cuda.is_available():
    print("使用 GPU")
else:
    print("使用 CPU")

6.4 运行官方示例

from ultralytics import YOLO
model = YOLO('yolov8n.pt')
results = model('https://ultralytics.com/images/bus.jpg')
results[0].show()

七、开发环境配置

7.1 IDE 选择与配置

• PyCharm：功能强大，调试方便，与 conda 集成良好。
• VS Code：轻量快速，插件丰富，推荐安装 Python 和 Jupyter 插件。
• Jupyter Notebook/Lab：适合交互式开发和实验。

7.2 Git 版本控制配置

git config --global user.name "Your Name"
git config --global user.email "[email protected]"

创建 .gitignore 文件忽略 __pycache__, *.pt, runs/ 等文件。

7.3 项目结构组织

良好的结构有助于维护：

yolov8-project/
├── configs/      # 配置文件
├── data/         # 数据目录
├── models/       # 模型目录
├── src/          # 源代码
├── tests/        # 测试代码
└── requirements.txt

八、常见问题排查

8.1 安装问题

• pip 速度慢：使用国内镜像源（如清华源）。
• conda 速度慢：更换 conda 源。
• 权限错误：使用 --user 选项或管理员权限。

8.2 CUDA 相关问题

• nvidia-smi 找不到：确认驱动已安装并加入环境变量。
• 版本冲突：使用环境变量管理不同版本。

8.3 PyTorch 相关问题

• Import 报错：检查是否安装了多个版本，完全卸载后重装。

8.4 YOLOv8 相关问题

• ImportError：卸载并重新安装 ultralytics。
• 显存溢出：减小 batch size 或图像尺寸。

九、环境配置最佳实践

9.1 环境隔离的重要性

为每个项目创建独立虚拟环境，避免依赖冲突，便于复现和清理。

9.2 配置文件的版本控制

将 requirements.txt 或 environment.yml 纳入版本控制，便于团队协作。

9.3 定期更新与维护

定期更新依赖包获取安全修复，但注意兼容性变更。

9.4 文档化

记录配置过程、已知问题和解决方案，便于日后参考。

十、总结

完整的 YOLOv8 环境配置流程包括：硬件检查、系统准备、Python 安装、CUDA/cuDNN 配置、PyTorch 安装、YOLOv8 部署及验证。关键在于确保版本兼容性，使用虚拟环境隔离依赖，并从官方渠道下载软件。遇到问题时，优先检查版本匹配情况，再查阅错误日志。配置完成后，即可开始目标检测的开发与研究。