吉林省网站建设_网站建设公司_JavaScript_seo优化

Ubuntu 18.04下配置GPU版PyTorch与YOLOv5环境

在深度学习项目开发中，一个稳定、可复现的运行环境是成功的第一步。尤其是当你准备部署像YOLOv5这样对硬件依赖较强的实时目标检测模型时，如何让 PyTorch 正确识别并利用 NVIDIA GPU 成为关键。本文将带你从零开始，在Ubuntu 18.04系统上完整搭建一套支持 CUDA 加速的深度学习工作流，涵盖驱动安装、环境隔离、框架部署和项目验证全过程。

整个流程围绕Miniconda-Python3.9构建轻量级虚拟环境，避免系统级污染，提升后续迁移和协作效率。我们选择的组件版本均经过实际测试兼容性良好，特别适合科研实验或工程落地场景使用。

系统准备：确认基础条件与前置操作

动手之前，先确保你的机器满足基本要求：

• 配备支持 CUDA 的 NVIDIA 显卡（如 GTX 10xx / RTX 20xx/30xx 系列）
• 操作系统为 Ubuntu 18.04 LTS（64位推荐）
• 已连接互联网，具备sudo权限
• 安装了基础编译工具链（CUDA 编译需要）

首先检查显卡型号是否被识别：

lspci | grep -i nvidia

如果输出中出现 NVIDIA 相关条目，则说明硬件已就绪。

接着确认 GCC 版本是否符合 CUDA 要求（注意：CUDA Toolkit 对 gcc 有严格限制，Ubuntu 18.04 默认的 7.5 是安全的）：

gcc --version

然后安装内核头文件，这是后续编译 NVIDIA 驱动模块所必需的：

sudo apt update sudo apt install linux-headers-$(uname -r)

关键一步：禁用开源驱动nouveau

Ubuntu 默认启用开源显卡驱动nouveau，它会抢占 GPU 控制权，导致官方 NVIDIA 驱动无法加载。必须提前将其屏蔽。

创建黑名单配置文件：

sudo vi /etc/modprobe.d/blacklist-nouveau.conf

填入以下内容：

blacklist nouveau options nouveau modeset=0

保存后更新 initramfs 并重启：

sudo update-initramfs -u sudo reboot

重启完成后，执行以下命令验证nouveau是否已被禁用：

lsmod | grep nouveau

若无任何输出，则表示禁用成功，可以继续下一步。

安装 NVIDIA 驱动与 CUDA Toolkit

安装专有驱动：自动匹配最适版本

比起手动下载.run文件，使用系统自带工具更稳妥，能自动处理依赖和冲突。

查看推荐驱动版本：

ubuntu-drivers devices

通常你会看到类似这样的输出：

== /sys/devices/pci0000:00/0000:00:01.0/0000:01:00.0 == modalias : pci:v000010DEd00001C82sv00001462sd0000336Abc03sc00i00 vendor : NVIDIA Corporation model : GP104 [GeForce GTX 1080] driver : nvidia-driver-470 - distro non-free driver : nvidia-driver-450 - distro non-free driver : xserver-xorg-video-nouveau - distro free builtin

选择标记为distro non-free的最新版本即可，执行自动安装：

sudo ubuntu-drivers autoinstall

安装完成后再次重启：

sudo reboot

验证驱动状态：

nvidia-smi

如果能看到 GPU 使用率、温度、显存等信息，说明驱动已正常加载。

⚠️ 常见问题：若提示command not found，请检查是否遗漏了 PATH 设置，或者尝试重新安装驱动。

安装 CUDA Toolkit 11.1（适配 PyTorch 1.9+）

虽然 PyTorch 提供了多种 CUDA 构建版本，但为了兼容主流 YOLOv5 项目，我们选用CUDA 11.1。该版本既不过于陈旧，也能避开某些新版本中存在的兼容性陷阱。

前往官网归档页面下载 runfile 安装包：
👉 https://developer.nvidia.com/cuda-11.1.0-download-archive

选择：
- OS: Linux
- Architecture: x86_64
- Distribution: Ubuntu 18.04
- Installer Type: runfile (local)

下载完成后运行安装脚本：

sudo sh cuda_11.1.0_455.23.05_linux.run

⚠️ 安装界面注意事项：
-不要勾选“Install NVIDIA Driver”—— 我们已经通过ubuntu-drivers安装过驱动
- 其他选项保持默认（包括 CUDA Toolkit、Samples 等）

按提示完成安装流程。

配置环境变量

为了让系统正确找到 CUDA 编译器和库文件，需将路径写入 shell 配置。

编辑用户环境变量文件：

vi ~/.bashrc

在末尾添加：

export CUDA_HOME=/usr/local/cuda-11.1 export PATH=$PATH:/usr/local/cuda-11.1/bin export LD_LIBRARY_PATH=/usr/local/cuda-11.1/lib64:$LD_LIBRARY_PATH

立即生效：

source ~/.bashrc

验证安装结果：

nvcc -V

应显示 CUDA 编译器版本信息，包含release 11.1字样。

为进一步确认环境完整性，可编译并运行设备查询样例：

cd /usr/local/cuda-11.1/samples/1_Utilities/deviceQuery sudo make ./deviceQuery

最终输出Result = PASS表示 CUDA 环境一切正常。

使用 Miniconda 管理 Python 环境（Python 3.9）

为了避免全局安装带来的依赖冲突，强烈建议使用Miniconda创建独立虚拟环境。相比 Anaconda，Miniconda 更轻量，只包含核心包管理功能。

下载与安装 Miniconda3（Python 3.9）

使用清华大学镜像站加速下载：

mkdir ~/miniconda && cd ~/miniconda wget https://mirrors.tuna.tsinghua.edu.cn/anaconda/miniconda/Miniconda3-py39_4.12.0-Linux-x86_64.sh

执行安装脚本：

bash Miniconda3-py39_4.12.0-Linux-x86_64.sh

安装过程中：
- 按回车浏览协议
- 输入yes接受许可
- 推荐使用默认路径
- 初始化 conda 时选择yes

安装完成后刷新环境：

source ~/.bashrc

验证安装：

conda --version python --version

预期输出conda 4.12.0和Python 3.9.x。

配置国内源以提升下载速度

默认的 conda 和 pip 源在国外服务器上，下载缓慢且容易中断。切换至清华源可显著改善体验。

添加 Conda 清华镜像通道：

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/ conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/ conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/ conda config --set show_channel_urls yes

设置 Pip 使用清华源：

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

这样以后所有通过pip install安装的包都会优先从国内拉取。

可选优化：关闭自动激活 base 环境

每次打开终端都自动进入(base)环境可能会影响其他脚本运行，也显得冗余。

关闭方式如下：

conda config --set auto_activate_base false

此后只有显式执行conda activate才会进入 base 环境。需要临时使用时也不影响。

创建虚拟环境并安装 GPU 版 PyTorch

现在进入正题：构建专属的 YOLOv5 开发环境。

创建独立环境

conda create -n yolov5 python=3.9 conda activate yolov5

此时终端前缀变为(yolov5)，表示当前处于该环境中。

安装 PyTorch + torchvision + torchaudio（CUDA 11.1 构建版）

访问 PyTorch 官网 获取对应命令。针对 CUDA 11.1，执行：

pip install torch==1.9.0+cu111 torchvision==0.10.0+cu111 torchaudio==0.9.0 -f https://download.pytorch.org/whl/torch_stable.html

✅ 注意：+cu111后缀至关重要，表明这是基于 CUDA 11.1 编译的版本，必须与前面安装的 CUDA Toolkit 版本一致！

安装过程可能较慢，请耐心等待。完成后进行验证：

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

理想输出应为：

1.9.0+cu111 True

若返回True，恭喜！你的 PyTorch 已成功调用 GPU。

🔍 小贴士：如果你遇到libcudart.so找不到的问题，通常是LD_LIBRARY_PATH未正确设置所致，请回头检查.bashrc中的环境变量。

部署与运行 YOLOv5 项目

终于到了实战环节。

克隆官方仓库

git clone https://github.com/ultralytics/yolov5 cd yolov5

建议切换到稳定发布版本以避免主干变动引发错误：

git checkout v6.0

安装项目依赖

YOLOv5 的依赖已定义在requirements.txt中：

pip install -r requirements.txt

这将安装numpy,matplotlib,seaborn,tqdm,Pillow等必要库。

运行检测示例

执行内置推理脚本：

python detect.py --source data/images/

首次运行会自动下载轻量模型yolov5s.pt。几分钟后，结果图像将保存在runs/detect/exp目录下，包含检测框和类别标签。

你可以通过图形界面查看结果，也可以远程传输到本地分析。

远程协作与开发建议

使用 Jupyter Notebook 提升交互效率

对于算法调试或可视化分析，Jupyter 是极佳工具。

在当前环境中安装：

conda install jupyter

启动服务：

jupyter notebook --ip=0.0.0.0 --port=8888 --allow-root --no-browser

外部访问地址为：

http://<服务器IP>:8888

输入终端打印的 Token 即可登录。

💡 提示：可通过 SSH 隧道安全访问，避免暴露端口。

使用 SSH 实现远程连接与端口转发

本地终端连接服务器：

ssh username@server_ip -p 22

若想把 Jupyter 映射到本地浏览器，使用本地端口转发：

ssh -L 8889:localhost:8888 username@server_ip

随后访问http://127.0.0.1:8889即可无缝操作远程 Notebook。

常见问题排查表

总结与实践建议

这套配置流程已在多台物理机和云服务器上验证通过，尤其适用于需要快速部署 YOLOv5 并启用 GPU 加速的场景。其核心优势在于：

• 利用ubuntu-drivers自动化驱动安装，降低出错概率
• 采用CUDA 11.1与PyTorch 1.9.0+cu111组合，兼顾稳定性与性能
• 使用 Miniconda 实现环境隔离，便于团队协作与项目迁移
• 配合国内镜像源大幅提升依赖安装成功率

最后提醒一点：完成环境配置后，务必导出环境快照以便复现：

conda env export > environment.yml

未来只需一条命令即可重建完全相同的环境：

conda env create -f environment.yml

这才是真正意义上的“可复现研究”。

🚀 深度学习之旅，从此刻启航。