Ubuntu22.04搭建基于GPU的Yolov8环境

本文将详细介绍在Ubuntu 22.04系统上搭建基于GPU的YOLOv8环境，包括NVIDIA驱动安装、CUDA和cuDNN配置、Python虚拟环境创建以及YOLOv8的安装与测试。无论你是深度学习初学者还是老手，按照本教程操作都能轻松完成环境配置，充分利用GPU加速你的目标检测任务。

1. 检查硬件与系统更新

首先确保你的机器搭载了NVIDIA GPU，并且运行的是Ubuntu 22.04。打开终端，执行以下命令检查GPU：

lspci | grep -i nvidia

如果看到NVIDIA显卡信息，则继续。然后更新系统：

sudo apt update && sudo apt upgrade -y

2. 安装NVIDIA驱动

NVIDIA驱动安装是GPU加速的基础。推荐使用驱动管理器安装：

ubuntu-drivers devicessudo apt install nvidia-driver-535

安装完成后重启：sudo reboot。重启后运行nvidia-smi验证驱动是否成功安装。

3. 安装CUDA

YOLOv8推荐使用CUDA 11.8及以上版本。前往NVIDIA官网下载对应版本的CUDA Toolkit。以CUDA 11.8为例：

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

安装时不要选择安装驱动（因为已安装），仅安装CUDA Toolkit。然后配置环境变量，编辑~/.bashrc：

export PATH=/usr/local/cuda-11.8/bin:$PATHexport LD_LIBRARY_PATH=/usr/local/cuda-11.8/lib64:$LD_LIBRARY_PATH

执行source ~/.bashrc，然后运行nvcc -V验证CUDA安装。

4. 安装cuDNN

cuDNN是深度神经网络的加速库。需要注册NVIDIA账号下载，或者使用tar包安装。这里以cuDNN for CUDA 11.x为例：

tar -xzvf cudnn-linux-x86_64-8.9.0.131_cuda11-archive.tar.xzsudo cp cudnn--archive/include/cudnn.h /usr/local/cuda-11.8/includesudo cp -P cudnn--archive/lib/libcudnn /usr/local/cuda-11.8/lib64sudo chmod a+r /usr/local/cuda-11.8/include/cudnn*.h /usr/local/cuda-11.8/lib64/libcudnn*

5. 安装Miniconda与创建虚拟环境

为了隔离环境，我们使用Miniconda。下载并安装：

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

安装后重启终端，然后创建YOLOv8环境：

conda create -n yolov8 python=3.9 -yconda activate yolov8

6. 安装PyTorch（GPU版）

根据CUDA版本安装对应的PyTorch。以CUDA 11.8为例：

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

验证PyTorch能否检测到GPU：

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

如果输出True，说明GPU可用。

7. 安装YOLOv8

使用ultralytics包安装YOLOv8：

pip install ultralytics

8. 测试YOLOv8 GPU加速

运行一个简单的预测任务，验证GPU是否被使用：

yolo predict model=yolov8n.pt source="https://ultralytics.com/images/bus.jpg" device=0

如果命令成功执行并输出结果，说明环境搭建成功。你也可以在Python中测试：

from ultralytics import YOLOmodel = YOLO("yolov8n.pt")results = model("https://ultralytics.com/images/bus.jpg")

常见问题

• 如果nvidia-smi显示驱动但CUDA不可用，检查环境变量是否正确配置。
• PyTorch安装时务必选择与CUDA版本匹配的wheel。
• 若遇到权限问题，可在命令前加sudo，但注意conda环境不建议用sudo安装包。

通过以上步骤，你已经成功在Ubuntu 22.04上搭建了基于GPU的YOLOv8环境。现在可以开始你的目标检测项目了！