【深度学习】YOLO本地环境搭建

一、硬件要求（按优先级 / 场景划分）

YOLO 训练 / 推理对硬件的需求差异较大，以下分 "最低可用""推荐配置""工业级配置" 三档，适配不同场景：

硬件组件	最低可用（仅学习 / CPU 推理）	推荐配置（GPU 训练 / 实时推理）	工业级配置（大规模训练 / 高并发）
CPU	4 核 Intel i5/AMD Ryzen 5	8 核 Intel i7/i9/AMD Ryzen 7+	16 核 Intel Xeon/AMD EPYC
GPU	无（仅 CPU）	NVIDIA GTX 1660/RTX 3060（6-8G 显存）	NVIDIA RTX 3090/4090/A100（24G + 显存）
内存	8G DDR4	16G DDR4/DDR5	32G+ DDR5
硬盘	100G 机械硬盘（HDD）	512G 固态硬盘（SSD）	2T NVMe SSD（训练数据集 / 模型存储）
其他	-	支持 CUDA 的主板 / 500W 以上电源	多 GPU 集群 / 散热系统

关键提醒：

GPU 是核心：NVIDIA 显卡必须支持CUDA（算力≥6.0，如 GTX 10 系列及以上），AMD 显卡适配性差（需用 ROCm，仅部分版本支持）；
显存决定 batch size：8G 显存可设 batch=8-16，24G 显存可设 batch=32-64，显存越小训练速度越慢；
推理端轻量化：嵌入式设备（Jetson Nano / 树莓派）仅需 2G 显存，适配 YOLOv8n 等轻量化模型。

二、软件环境（分系统 + 步骤）

1. 操作系统选择

系统	优势	适配场景
Windows 10/11	易用、可视化工具友好	新手学习、单机训练
Ubuntu 18.04+/20.04+	稳定性高、CUDA 适配最好	大规模训练、服务器部署
macOS	适配 M1/M2 芯片，无需额外配置	轻量推理、代码调试

2. 核心软件安装步骤（通用流程）

步骤 1：安装 Python（核心版本）

推荐版本：3.7~3.10（3.11 + 部分依赖库未适配）；
安装方式：
- Windows/Mac：从Python 官网下载安装包，勾选「Add Python to PATH」；
- Ubuntu：sudo apt update && sudo apt install python3.9 python3.9-pip python3.9-venv；
验证：终端输入python --version（Windows）/python3 --version（Linux/Mac），显示对应版本即可。

步骤 2：安装 CUDA+cuDNN（GPU 必备）

版本匹配：CUDA 11.7/11.8（适配 PyTorch 2.0+），cuDNN 需与 CUDA 版本对应；
安装步骤：
1. 卸载旧版本：sudo apt purge nvidia*（Ubuntu）/ 控制面板卸载（Windows）；
2. 下载 CUDA：从NVIDIA 官网选对应系统版本安装；
3. 下载 cuDNN：登录 NVIDIA 账号后，下载对应 CUDA 版本的 cuDNN，解压后复制到 CUDA 安装目录；
4. 验证：nvcc -V（终端），显示 CUDA 版本即成功。

步骤 3：安装核心依赖库

python 复制代码

# 升级pip（避免安装失败）
python -m pip install --upgrade pip

# 基础依赖（图像处理/数值计算）
pip install opencv-python numpy matplotlib pillow

# YOLO专用依赖（Ultralytics库，适配v5/v8）
pip install ultralytics

# 可选：数据标注/可视化工具
pip install labelImg pycocotools seaborn

步骤 4：安装深度学习框架（见第三部分）

3. 环境验证

运行以下代码，无报错则环境正常：

python 复制代码

import torch
import cv2
from ultralytics import YOLO

# 验证GPU/CUDA
print(f"CUDA可用：{torch.cuda.is_available()}")
print(f"GPU数量：{torch.cuda.device_count()}")

# 验证YOLO
model = YOLO("yolov8n.pt")
results = model.predict("https://ultralytics.com/images/bus.jpg")
print(f"检测结果：{results[0].names}")

三、框架选择（对比 + 适配场景）

YOLO 主流适配 PyTorch/TensorFlow，以下是详细对比和选型建议：

维度	PyTorch（推荐）	TensorFlow/Keras
YOLO 版本适配	完美支持 YOLOv5/v6/v7/v8（官方首选）	仅适配 YOLOv3/v4（第三方移植）
易用性	代码简洁、调试友好，新手易上手	语法相对复杂，学习成本高
生态支持	GitHub 开源项目多，问题解决资源丰富	工业级文档完善，部署工具多
训练灵活性	动态图模式，改代码即时生效	静态图模式，需重新编译
部署适配	支持 ONNX/TensorRT/OpenVINO	支持 TFLite/Core ML（移动端）
硬件加速	CUDA 适配最优，推理速度快	适配 TPU，大规模分布式训练强
适用场景	新手学习、科研、单机 / 服务器部署	工业级大规模训练、移动端部署

选型建议：

新手 / 主流场景 ：选 PyTorch + Ultralytics 库（YOLOv8 官方维护，一键安装 / 训练）；
- 安装命令：pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118（CUDA 11.8）；
移动端部署：选 TensorFlow + YOLOv3/v4（转 TFLite 格式）；
大规模分布式训练：选 TensorFlow + TFRecord 数据集（适配多 GPU/TPU 集群）；
嵌入式设备（Jetson）：选 PyTorch + TensorRT（NVIDIA 官方优化，推理速度最快）。

避坑提醒：

Windows 安装 CUDA 后，需手动配置环境变量（CUDA_PATH、PATH 添加 bin/lib 目录）；
虚拟环境建议：用conda/venv隔离环境，避免依赖冲突（python -m venv yolo-env）；
macOS M1/M2 芯片：无需安装 CUDA，PyTorch 默认适配 Metal 加速，直接pip install torch即可。

四、不同系统的 YOLO 环境搭建一键脚本（Windows/Ubuntu/macOS）

以下是适配Windows/Ubuntu/macOS三大系统的 YOLO 环境搭建一键脚本，涵盖 Python、CUDA（仅 NVIDIA GPU）、核心依赖、框架安装，新手直接复制运行即可：

通用说明

脚本需在管理员 /root 权限 下运行（Windows 右键终端→以管理员身份运行；Ubuntu 加sudo）；
优先用虚拟环境隔离依赖，避免污染系统环境；
标注：# [可选] 为非必需步骤（如 CUDA 仅 GPU 需要，macOS M 芯片无需 CUDA）。

一、Windows 系统（CMD/PowerShell 脚本）

bash 复制代码

@echo off
chcp 65001 >nul 2>&1
echo ====================== 开始搭建YOLO环境 ======================

:: 1. 创建并激活虚拟环境
echo 【1/5】创建虚拟环境 yolo-env
python -m venv yolo-env
call yolo-env\Scripts\activate.bat

:: 2. 升级pip并安装基础依赖
echo 【2/5】安装基础依赖库
python -m pip install --upgrade pip
pip install opencv-python numpy matplotlib pillow labelImg pycocotools -i https://pypi.tuna.tsinghua.edu.cn/simple

:: 3. 安装PyTorch+CUDA（GPU版，CUDA 11.8）
echo 【3/5】安装PyTorch（GPU版）
pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118

:: # [可选] CPU版PyTorch（无NVIDIA GPU时执行）
:: pip install torch torchvision torchaudio -i https://pypi.tuna.tsinghua.edu.cn/simple

:: 4. 安装YOLO核心库（Ultralytics适配v8/v5）
echo 【4/5】安装YOLO官方库
pip install ultralytics -i https://pypi.tuna.tsinghua.edu.cn/simple

:: 5. 环境验证
echo 【5/5】验证环境
python -c "import torch, cv2; from ultralytics import YOLO; print('CUDA可用:', torch.cuda.is_available()); print('YOLO导入成功'); print('OpenCV版本:', cv2.__version__)"

echo ====================== 环境搭建完成 ======================
echo 激活环境命令：yolo-env\Scripts\activate.bat
pause

运行方式：

新建yolo_windows_setup.bat文件，复制上述代码；
右键→以管理员身份运行；
若提示 "Python 未找到"：先安装 Python 3.8-3.10 并勾选「Add Python to PATH」。

二、Ubuntu/Linux 系统（Shell 脚本）

bash 复制代码

#!/bin/bash
echo -e "\033[32m====================== 开始搭建YOLO环境 ======================\033[0m"

# 1. 更新系统并安装Python3.9
echo -e "\033[33m【1/6】安装Python3.9\033[0m"
sudo apt update && sudo apt install -y python3.9 python3.9-dev python3.9-venv python3-pip

# 2. 创建并激活虚拟环境
echo -e "\033[33m【2/6】创建虚拟环境 yolo-env\033[0m"
python3.9 -m venv yolo-env
source yolo-env/bin/activate

# 3. 升级pip并安装基础依赖
echo -e "\033[33m【3/6】安装基础依赖库\033[0m"
pip install --upgrade pip
pip install opencv-python numpy matplotlib pillow labelImg pycocotools -i https://pypi.tuna.tsinghua.edu.cn/simple

# 4. [可选] 安装CUDA 11.8（NVIDIA GPU）
echo -e "\033[33m【4/6】安装CUDA依赖（可选）\033[0m"
sudo apt install -y nvidia-driver-535
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 --silent --toolkit
echo "export PATH=/usr/local/cuda-11.8/bin:\$PATH" >> ~/.bashrc
echo "export LD_LIBRARY_PATH=/usr/local/cuda-11.8/lib64:\$LD_LIBRARY_PATH" >> ~/.bashrc
source ~/.bashrc

# 5. 安装PyTorch+YOLO核心库
echo -e "\033[33m【5/6】安装PyTorch+YOLO库\033[0m"
pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118
# 无GPU时替换为：pip install torch torchvision torchaudio -i https://pypi.tuna.tsinghua.edu.cn/simple
pip install ultralytics -i https://pypi.tuna.tsinghua.edu.cn/simple

# 6. 环境验证
echo -e "\033[33m【6/6】验证环境\033[0m"
python -c "import torch, cv2; from ultralytics import YOLO; print('CUDA可用:', torch.cuda.is_available()); print('YOLO导入成功'); print('OpenCV版本:', cv2.__version__)"

echo -e "\033[32m====================== 环境搭建完成 ======================\033[0m"
echo -e "激活环境命令：source yolo-env/bin/activate"

运行方式：

新建yolo_ubuntu_setup.sh文件，复制上述代码；
赋予执行权限：chmod +x yolo_ubuntu_setup.sh；
运行：sudo ./yolo_ubuntu_setup.sh；
若无需 CUDA：删除第 4 步 "安装 CUDA 11.8" 相关代码。

三、macOS 系统（Shell 脚本，适配 Intel/M1/M2 芯片）

bash 复制代码

#!/bin/bash
echo -e "\033[32m====================== 开始搭建YOLO环境 ======================\033[0m"

# 1. 安装Homebrew（无则安装）
if ! command -v brew &> /dev/null; then
    echo -e "\033[33m【1/5】安装Homebrew\033[0m"
    /bin/bash -c "$(curl -fsSL https://raw.githubusercontent.com/Homebrew/install/HEAD/install.sh)"
fi

# 2. 安装Python3.9
echo -e "\033[33m【2/5】安装Python3.9\033[0m"
brew install python@3.9
ln -s /usr/local/bin/python3.9 /usr/local/bin/python

# 3. 创建并激活虚拟环境
echo -e "\033[33m【3/5】创建虚拟环境 yolo-env\033[0m"
python -m venv yolo-env
source yolo-env/bin/activate

# 4. 安装依赖+PyTorch+YOLO
echo -e "\033[33m【4/5】安装依赖库\033[0m"
pip install --upgrade pip
pip install opencv-python numpy matplotlib pillow labelImg pycocotools -i https://pypi.tuna.tsinghua.edu.cn/simple
# M1/M2芯片自动适配Metal加速，无需CUDA
pip install torch torchvision torchaudio -i https://pypi.tuna.tsinghua.edu.cn/simple
pip install ultralytics -i https://pypi.tuna.tsinghua.edu.cn/simple

# 5. 环境验证
echo -e "\033[33m【5/5】验证环境\033[0m"
python -c "import torch, cv2; from ultralytics import YOLO; print('MPS可用(M1/M2):', torch.backends.mps.is_available()); print('YOLO导入成功'); print('OpenCV版本:', cv2.__version__)"

echo -e "\033[32m====================== 环境搭建完成 ======================\033[0m"
echo -e "激活环境命令：source yolo-env/bin/activate"

运行方式：

新建yolo_macos_setup.sh文件，复制上述代码；
赋予执行权限：chmod +x yolo_macos_setup.sh；
运行：./yolo_macos_setup.sh；
M1/M2 芯片验证时，torch.backends.mps.is_available()返回True即加速生效。

避坑补充

若 pip 安装慢：全程添加清华镜像 -i https://pypi.tuna.tsinghua.edu.cn/simple；
虚拟环境激活后，终端前缀会显示(yolo-env)，代表环境生效；
验证失败排查：
- CUDA 问题：检查 NVIDIA 驱动版本是否匹配 CUDA（如 535 驱动适配 CUDA 11.8）；
- 依赖缺失：重新运行pip install -r https://raw.githubusercontent.com/ultralytics/ultralytics/main/requirements.txt。