1. YOLO环境搭建从零开始的AI视觉开发指南上周帮团队新来的实习生配置YOLO开发环境时发现网上教程要么过于简略要么版本陈旧。作为计算机视觉领域最流行的实时目标检测框架YOLOYou Only Look Once的环境配置其实藏着不少坑。今天我就结合五年来的实战经验手把手带你搭建一个稳定可用的YOLO开发环境涵盖从基础环境准备到模型验证的全流程。这个配置方案适用于YOLOv5/v7/v8等主流版本在Ubuntu 20.04/22.04和Windows 10/11系统上均测试通过。我们将使用conda管理Python环境PyTorch作为深度学习框架配合CUDA加速最后用OpenCV实现实时检测演示。无论你是刚接触AI的新手还是需要快速搭建实验环境的研究者这套方案都能让你在30分钟内完成专业级的开发环境配置。2. 基础环境准备2.1 硬件与系统要求建议配置至少6GB显存的NVIDIA显卡GTX 1060及以上这是流畅运行YOLO模型的最低要求。我曾在MX450笔记本显卡上测试过YOLOv5s模型虽然能跑但帧率只有8-10FPS而RTX 3060能达到50FPS。如果只是学习目的CPU模式也可以运行但检测速度会慢10-20倍。操作系统方面我强烈推荐Ubuntu 22.04 LTS这是目前对深度学习支持最稳定的系统版本。Windows用户建议使用WSL2Windows Subsystem for Linux可以获得接近原生Linux的性能。去年我们在Windows原生环境下遇到过多起CUDA与PyTorch版本冲突的问题而在WSL2中这些问题几乎不会出现。2.2 开发工具链安装首先安装必要的系统依赖# Ubuntu/Debian sudo apt update sudo apt install -y git curl wget unzip python3-pip # Windows (PowerShell) winget install Git.Git然后是conda环境管理工具。我习惯使用Miniconda而不是Anaconda因为它更轻量且不会预装大量可能用不到的包wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh bash Miniconda3-latest-Linux-x86_64.sh -b -p $HOME/miniconda安装完成后记得初始化conda并创建专属环境~/miniconda/bin/conda init bash source ~/.bashrc conda create -n yolo python3.8 -y conda activate yolo注意Python版本建议选择3.8.x这是目前PyTorch各版本兼容性最好的Python发行版。我们团队在Python 3.10上遇到过PyTorch与onnxruntime的兼容性问题。3. 深度学习框架配置3.1 CUDA与cuDNN安装CUDA是NVIDIA的GPU计算平台cuDNN是其深度学习加速库。安装前先用nvidia-smi命令查看显卡驱动版本然后到NVIDIA官网匹配对应的CUDA版本。以RTX 30系列显卡为例# 安装CUDA 11.7目前PyTorch稳定支持的最佳版本 wget https://developer.download.nvidia.com/compute/cuda/11.7.1/local_installers/cuda_11.7.1_515.65.01_linux.run sudo sh cuda_11.7.1_515.65.01_linux.run安装完成后将CUDA加入环境变量echo export PATH/usr/local/cuda-11.7/bin:$PATH ~/.bashrc echo export LD_LIBRARY_PATH/usr/local/cuda-11.7/lib64:$LD_LIBRARY_PATH ~/.bashrc source ~/.bashrccuDNN需要手动下载后解压到CUDA目录tar -xzvf cudnn-linux-x86_64-8.5.0.96_cuda11-archive.tar.xz sudo cp cudnn-*-archive/include/cudnn*.h /usr/local/cuda/include/ sudo cp -P cudnn-*-archive/lib/libcudnn* /usr/local/cuda/lib64/ sudo chmod ar /usr/local/cuda/include/cudnn*.h /usr/local/cuda/lib64/libcudnn*3.2 PyTorch安装与验证根据CUDA版本选择对应的PyTorch安装命令。使用conda安装比pip更可靠能自动解决依赖问题conda install pytorch torchvision torchaudio pytorch-cuda11.7 -c pytorch -c nvidia安装完成后运行以下测试脚本验证GPU是否可用import torch print(torch.__version__) # 应显示1.13.0 print(torch.cuda.is_available()) # 应返回True print(torch.cuda.get_device_name(0)) # 显示你的显卡型号如果遇到CUDA not available错误通常是版本不匹配导致。去年我们有个项目就因PyTorch 1.12与CUDA 11.6的兼容性问题卡了两天最终通过降级PyTorch到1.11.0解决。4. YOLO源码部署4.1 官方源码下载建议从Ultralytics官方仓库克隆最新代码而不是直接pip安装git clone https://github.com/ultralytics/yolov5.git cd yolov5 pip install -r requirements.txt经验国内用户可以将pip源换成清华或阿里云镜像加速下载pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple4.2 自定义环境配置官方requirements.txt可能包含你不需要的依赖。我通常会创建一个精简版的requirements-minimal.txtnumpy1.18.5 opencv-python4.1.2 torch1.7.0 torchvision0.8.1 tqdm4.41.0 matplotlib3.2.2对于生产环境建议固定主要包的版本以避免意外升级导致的问题pip install torch1.13.0cu117 torchvision0.14.0cu117 --extra-index-url https://download.pytorch.org/whl/cu1175. 测试与验证5.1 快速验证模型运行官方示例检测图片python detect.py --weights yolov5s.pt --img 640 --conf 0.25 --source data/images/如果一切正常你会在runs/detect/exp目录下看到检测结果。首次运行会自动下载yolov5s.pt预训练模型约14MB。5.2 实时摄像头测试连接USB摄像头进行实时检测设备号通常为0或1python detect.py --weights yolov5s.pt --source 0我们项目中发现在1080p分辨率下YOLOv5s的帧率比720p低约40%但检测精度差异不大。对于实时应用建议将摄像头分辨率设置为1280x720以获得最佳性价比。6. 常见问题排错指南6.1 CUDA相关错误错误现象RuntimeError: CUDA out of memory解决方案减小--img-size参数如从640降到320添加--batch-size 1参数使用更小的模型如yolov5s.pt换成yolov5n.pt错误现象AssertionError: Torch not compiled with CUDA enabled解决方案确认conda环境正确激活重新安装PyTorch指定CUDA版本conda install pytorch torchvision torchaudio pytorch-cuda11.7 -c pytorch -c nvidia6.2 依赖冲突问题Python包管理常见依赖地狱问题。我的经验是始终在干净的conda环境中开始新项目使用pip list检查冲突包遇到冲突时先尝试pip install --upgrade --force-reinstall 包名6.3 模型下载失败国内用户可能会遇到模型下载缓慢的问题。解决方法手动下载pt文件到本地使用国内镜像源wget https://ghproxy.com/https://github.com/ultralytics/yolov5/releases/download/v7.0/yolov5s.pt7. 进阶配置建议7.1 Docker化部署对于团队协作或生产环境建议使用Docker容器FROM nvidia/cuda:11.7.1-base RUN apt update apt install -y python3-pip git RUN git clone https://github.com/ultralytics/yolov5 cd yolov5 pip install -r requirements.txt WORKDIR /yolov5 CMD [python, detect.py, --weights, yolov5s.pt]构建并运行docker build -t yolo . docker run --gpus all -v $(pwd)/data:/yolov5/data yolo7.2 模型转换与优化部署到边缘设备时需要将PyTorch模型转换为ONNX或TensorRT格式python export.py --weights yolov5s.pt --include onnx --img 640我们在Jetson Nano上测试发现TensorRT加速后的YOLOv5s推理速度能提升3-5倍。转换时要注意目标平台的CUDA和TensorRT版本匹配问题。8. 环境备份与迁移为防止环境损坏建议定期备份conda env export yolo_env.yaml pip freeze requirements.txt恢复环境时conda env create -f yolo_env.yaml conda activate yolo pip install -r requirements.txt这套环境配置方案已经在我们团队的20多台开发机上稳定运行超过一年。关键是要保持CUDA、PyTorch和YOLO版本的匹配遇到问题时回退到已知稳定的版本组合通常比追新更有效率。 
长河君 · 2026/10/26 14:51:56 · 阅读 1.2k YOLO环境搭建指南：从零配置AI视觉开发环境
1. YOLO环境搭建从零开始的AI视觉开发指南上周帮团队新来的实习生配置YOLO开发环境时发现网上教程要么过于简略要么版本陈旧。作为计算机视觉领域最流行的实时目标检测框架YOLOYou Only Look Once的环境配置其实藏着不少坑。今天我就结合五年来的实战经验手把手带你搭建一个稳定可用的YOLO开发环境涵盖从基础环境准备到模型验证的全流程。这个配置方案适用于YOLOv5/v7/v8等主流版本在Ubuntu 20.04/22.04和Windows 10/11系统上均测试通过。我们将使用conda管理Python环境PyTorch作为深度学习框架配合CUDA加速最后用OpenCV实现实时检测演示。无论你是刚接触AI的新手还是需要快速搭建实验环境的研究者这套方案都能让你在30分钟内完成专业级的开发环境配置。2. 基础环境准备2.1 硬件与系统要求建议配置至少6GB显存的NVIDIA显卡GTX 1060及以上这是流畅运行YOLO模型的最低要求。我曾在MX450笔记本显卡上测试过YOLOv5s模型虽然能跑但帧率只有8-10FPS而RTX 3060能达到50FPS。如果只是学习目的CPU模式也可以运行但检测速度会慢10-20倍。操作系统方面我强烈推荐Ubuntu 22.04 LTS这是目前对深度学习支持最稳定的系统版本。Windows用户建议使用WSL2Windows Subsystem for Linux可以获得接近原生Linux的性能。去年我们在Windows原生环境下遇到过多起CUDA与PyTorch版本冲突的问题而在WSL2中这些问题几乎不会出现。2.2 开发工具链安装首先安装必要的系统依赖# Ubuntu/Debian sudo apt update sudo apt install -y git curl wget unzip python3-pip # Windows (PowerShell) winget install Git.Git然后是conda环境管理工具。我习惯使用Miniconda而不是Anaconda因为它更轻量且不会预装大量可能用不到的包wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh bash Miniconda3-latest-Linux-x86_64.sh -b -p $HOME/miniconda安装完成后记得初始化conda并创建专属环境~/miniconda/bin/conda init bash source ~/.bashrc conda create -n yolo python3.8 -y conda activate yolo注意Python版本建议选择3.8.x这是目前PyTorch各版本兼容性最好的Python发行版。我们团队在Python 3.10上遇到过PyTorch与onnxruntime的兼容性问题。3. 深度学习框架配置3.1 CUDA与cuDNN安装CUDA是NVIDIA的GPU计算平台cuDNN是其深度学习加速库。安装前先用nvidia-smi命令查看显卡驱动版本然后到NVIDIA官网匹配对应的CUDA版本。以RTX 30系列显卡为例# 安装CUDA 11.7目前PyTorch稳定支持的最佳版本 wget https://developer.download.nvidia.com/compute/cuda/11.7.1/local_installers/cuda_11.7.1_515.65.01_linux.run sudo sh cuda_11.7.1_515.65.01_linux.run安装完成后将CUDA加入环境变量echo export PATH/usr/local/cuda-11.7/bin:$PATH ~/.bashrc echo export LD_LIBRARY_PATH/usr/local/cuda-11.7/lib64:$LD_LIBRARY_PATH ~/.bashrc source ~/.bashrccuDNN需要手动下载后解压到CUDA目录tar -xzvf cudnn-linux-x86_64-8.5.0.96_cuda11-archive.tar.xz sudo cp cudnn-*-archive/include/cudnn*.h /usr/local/cuda/include/ sudo cp -P cudnn-*-archive/lib/libcudnn* /usr/local/cuda/lib64/ sudo chmod ar /usr/local/cuda/include/cudnn*.h /usr/local/cuda/lib64/libcudnn*3.2 PyTorch安装与验证根据CUDA版本选择对应的PyTorch安装命令。使用conda安装比pip更可靠能自动解决依赖问题conda install pytorch torchvision torchaudio pytorch-cuda11.7 -c pytorch -c nvidia安装完成后运行以下测试脚本验证GPU是否可用import torch print(torch.__version__) # 应显示1.13.0 print(torch.cuda.is_available()) # 应返回True print(torch.cuda.get_device_name(0)) # 显示你的显卡型号如果遇到CUDA not available错误通常是版本不匹配导致。去年我们有个项目就因PyTorch 1.12与CUDA 11.6的兼容性问题卡了两天最终通过降级PyTorch到1.11.0解决。4. YOLO源码部署4.1 官方源码下载建议从Ultralytics官方仓库克隆最新代码而不是直接pip安装git clone https://github.com/ultralytics/yolov5.git cd yolov5 pip install -r requirements.txt经验国内用户可以将pip源换成清华或阿里云镜像加速下载pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple4.2 自定义环境配置官方requirements.txt可能包含你不需要的依赖。我通常会创建一个精简版的requirements-minimal.txtnumpy1.18.5 opencv-python4.1.2 torch1.7.0 torchvision0.8.1 tqdm4.41.0 matplotlib3.2.2对于生产环境建议固定主要包的版本以避免意外升级导致的问题pip install torch1.13.0cu117 torchvision0.14.0cu117 --extra-index-url https://download.pytorch.org/whl/cu1175. 测试与验证5.1 快速验证模型运行官方示例检测图片python detect.py --weights yolov5s.pt --img 640 --conf 0.25 --source data/images/如果一切正常你会在runs/detect/exp目录下看到检测结果。首次运行会自动下载yolov5s.pt预训练模型约14MB。5.2 实时摄像头测试连接USB摄像头进行实时检测设备号通常为0或1python detect.py --weights yolov5s.pt --source 0我们项目中发现在1080p分辨率下YOLOv5s的帧率比720p低约40%但检测精度差异不大。对于实时应用建议将摄像头分辨率设置为1280x720以获得最佳性价比。6. 常见问题排错指南6.1 CUDA相关错误错误现象RuntimeError: CUDA out of memory解决方案减小--img-size参数如从640降到320添加--batch-size 1参数使用更小的模型如yolov5s.pt换成yolov5n.pt错误现象AssertionError: Torch not compiled with CUDA enabled解决方案确认conda环境正确激活重新安装PyTorch指定CUDA版本conda install pytorch torchvision torchaudio pytorch-cuda11.7 -c pytorch -c nvidia6.2 依赖冲突问题Python包管理常见依赖地狱问题。我的经验是始终在干净的conda环境中开始新项目使用pip list检查冲突包遇到冲突时先尝试pip install --upgrade --force-reinstall 包名6.3 模型下载失败国内用户可能会遇到模型下载缓慢的问题。解决方法手动下载pt文件到本地使用国内镜像源wget https://ghproxy.com/https://github.com/ultralytics/yolov5/releases/download/v7.0/yolov5s.pt7. 进阶配置建议7.1 Docker化部署对于团队协作或生产环境建议使用Docker容器FROM nvidia/cuda:11.7.1-base RUN apt update apt install -y python3-pip git RUN git clone https://github.com/ultralytics/yolov5 cd yolov5 pip install -r requirements.txt WORKDIR /yolov5 CMD [python, detect.py, --weights, yolov5s.pt]构建并运行docker build -t yolo . docker run --gpus all -v $(pwd)/data:/yolov5/data yolo7.2 模型转换与优化部署到边缘设备时需要将PyTorch模型转换为ONNX或TensorRT格式python export.py --weights yolov5s.pt --include onnx --img 640我们在Jetson Nano上测试发现TensorRT加速后的YOLOv5s推理速度能提升3-5倍。转换时要注意目标平台的CUDA和TensorRT版本匹配问题。8. 环境备份与迁移为防止环境损坏建议定期备份conda env export yolo_env.yaml pip freeze requirements.txt恢复环境时conda env create -f yolo_env.yaml conda activate yolo pip install -r requirements.txt这套环境配置方案已经在我们团队的20多台开发机上稳定运行超过一年。关键是要保持CUDA、PyTorch和YOLO版本的匹配遇到问题时回退到已知稳定的版本组合通常比追新更有效率。