Ubuntu 22.04 安装 Miniconda、PyTorch 与 YOLOv8 并完成 CPU 推理

Ubuntu 22.04 安装 Miniconda、PyTorch 与 YOLOv8 并完成 CPU 推理

本文记录在 VMware Ubuntu 22.04 虚拟机中安装 Miniconda、PyTorch CPU 版和 Ultralytics YOLOv8，并使用 YOLOv8n 对示例图片进行目标检测的完整过程。

一、实验环境

项目	配置
操作系统	Ubuntu 22.04.5 LTS
虚拟机	VMware Workstation
CPU	Intel Core i5-13450HX
CPU 核心	8 核
内存	7.5 GiB
GPU	无 NVIDIA GPU，仅 VMware SVGA
Python 环境	Miniconda
PyTorch	2.14.0+cpu
TorchVision	0.29.0+cpu
TorchAudio	2.11.0+cpu
Ultralytics	8.4.168

由于虚拟机没有 NVIDIA 显卡直通，也没有安装 NVIDIA 驱动，因此这里安装的是 PyTorch CPU 版本。

检查 NVIDIA 驱动：

复制代码

nvidia-smi

如果提示：

复制代码

nvidia-smi: not found

说明当前系统没有可用的 NVIDIA 驱动，此时应使用 CPU 版 PyTorch。

二、安装 Miniconda

1. 下载 Miniconda

复制代码

cd ~

curl -fL --retry 3 \
  -o /tmp/Miniconda3-latest-Linux-x86_64.sh \
  https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh

2. 安装到用户目录

复制代码

bash /tmp/Miniconda3-latest-Linux-x86_64.sh \
  -b \
  -p "$HOME/miniconda3"

3. 初始化 Bash

复制代码

"$HOME/miniconda3/bin/conda" init bash

4. 禁止自动激活 base

为了避免影响 Vivado、ESP-IDF 和系统 Python，建议关闭 base 自动激活：

复制代码

"$HOME/miniconda3/bin/conda" config --set auto_activate_base false

重新加载配置：

复制代码

source ~/.bashrc

检查版本：

复制代码

conda --version

本文安装结果：

复制代码

conda 26.7.1

三、创建 PyTorch 虚拟环境

1. 关于 Conda 服务条款

较新版本的 Conda 在使用 Anaconda 默认源时，可能要求接受服务条款：

复制代码

CondaToSNonInteractiveError:
Terms of Service have not been accepted

如果不想使用 Anaconda 默认源，可以使用 conda-forge：

复制代码

conda create -n pytorch \
  --override-channels \
  -c conda-forge \
  python=3.12 \
  pip \
  -y

如果使用默认源，则需要先接受对应的服务条款：

复制代码

conda tos accept --override-channels --channel https://repo.anaconda.com/pkgs/main
conda tos accept --override-channels --channel https://repo.anaconda.com/pkgs/r

本文使用 conda-forge。

2. 激活环境

复制代码

conda activate pytorch

检查 Python：

复制代码

python --version

结果：

复制代码

Python 3.12.14

3. 安装 CPU 版 PyTorch

由于当前没有 NVIDIA GPU，使用 PyTorch 官方 CPU 软件源安装：

复制代码

python -m pip install \
  torch torchvision torchaudio \
  --index-url https://download.pytorch.org/whl/cpu

安装完成后检查：

复制代码

python - <<'PY'
import torch
import torchvision
import torchaudio

print('torch:', torch.__version__)
print('torchvision:', torchvision.__version__)
print('torchaudio:', torchaudio.__version__)
print('cuda_available:', torch.cuda.is_available())
PY

输出结果：

复制代码

torch: 2.14.0+cpu
torchvision: 0.29.0+cpu
torchaudio: 2.11.0+cpu
cuda_available: False

cuda_available: False 表示当前使用的是 CPU 版本，这是正常的。

四、安装 Ultralytics YOLOv8

在 pytorch 环境中执行：

复制代码

conda activate pytorch
python -m pip install ultralytics

检查版本：

复制代码

python - <<'PY'
import ultralytics
print(ultralytics.__version__)
PY

本文安装版本：

复制代码

8.4.168

查看 yolo 命令位置：

复制代码

command -v yolo

输出类似：

复制代码

$HOME/miniconda3/envs/pytorch/bin/yolo

注意：yolo 命令位于 Conda 虚拟环境内部，必须先激活环境才能使用。

五、运行 YOLOv8 图片检测

创建工作目录：

复制代码

mkdir -p ~/yolov8
cd ~/yolov8

激活环境：

复制代码

source ~/.bashrc
conda activate pytorch

执行推理：

复制代码

yolo predict \
  model=yolov8n.pt \
  source='https://ultralytics.com/images/bus.jpg' \
  device=cpu

第一次运行会自动下载：

复制代码

yolov8n.pt
bus.jpg

本文运行结果：

复制代码

Ultralytics 8.4.168
Python-3.12.14
torch-2.14.0+cpu
CPU: Intel Core i5-13450HX

YOLOv8n summary (fused):
72 layers
3,151,904 parameters
0 gradients
8.7 GFLOPs

image 1/1 bus.jpg: 640x480
4 persons
1 bus
1 stop sign

速度统计：

复制代码

Preprocess:  5.7 ms
Inference:  90.5 ms
Postprocess: 9.2 ms

结果图片保存位置类似：

复制代码

~/yolov8/runs/detect/predict-2/bus.jpg

每次运行都会生成一个新的编号目录，例如：

复制代码

runs/detect/predict
runs/detect/predict-2
runs/detect/predict-3

所以第二次运行结果是 predict-2。

六、查看检测结果

可以使用 Ubuntu 图片查看器：

复制代码

xdg-open ~/yolov8/runs/detect/predict-2/bus.jpg

也可以使用 VS Code 打开：

复制代码

code ~/yolov8/runs/detect/predict-2/bus.jpg

结果图片中会绘制检测框、类别名称和置信度。

七、检测本地图片

例如检测：

复制代码

~/Pictures/test.jpg

命令：

复制代码

conda activate pytorch
cd ~/yolov8

yolo predict \
  model=yolov8n.pt \
  source="$HOME/Pictures/test.jpg" \
  device=cpu

如果需要指定输出目录：

复制代码

yolo predict \
  model=yolov8n.pt \
  source="$HOME/Pictures/test.jpg" \
  project="$HOME/yolov8/output" \
  name='test_result' \
  device=cpu

输出：

复制代码

~/yolov8/output/test_result/test.jpg

八、检测整个图片目录

复制代码

yolo predict \
  model=yolov8n.pt \
  source="$HOME/Pictures" \
  device=cpu

Ultralytics 会遍历目录中的所有图片并保存检测结果。

九、检测视频

复制代码

yolo predict \
  model=yolov8n.pt \
  source="$HOME/videos/test.mp4" \
  device=cpu

CPU 推理视频会比较慢。视频越清晰、分辨率越高，处理时间越长。

十、保存检测结果

1. 保存带框图片

默认情况下：

复制代码

yolo predict model=yolov8n.pt source=bus.jpg

会自动保存带检测框的图片。

2. 保存文本结果

复制代码

yolo predict \
  model=yolov8n.pt \
  source=bus.jpg \
  save_txt=True \
  save_conf=True

通常会生成类似：

复制代码

runs/detect/predict/labels/bus.txt

每一行格式大致为：

复制代码

class_id x_center y_center width height confidence

3. 只显示结果，不保存

复制代码

yolo predict \
  model=yolov8n.pt \
  source=bus.jpg \
  save=False

十一、导出 ONNX 模型

在 pytorch 环境中执行：

复制代码

conda activate pytorch
cd ~/yolov8

yolo export \
  model=yolov8n.pt \
  format=onnx

生成文件：

复制代码

yolov8n.onnx

ONNX 可以用于：

ONNX Runtime
OpenCV DNN
TensorRT
部分 FPGA 推理框架
其他深度学习部署工具

查看模型信息：

复制代码

python - <<'PY'
import onnx

model = onnx.load('yolov8n.onnx')
onnx.checker.check_model(model)
print('ONNX model check passed')
PY

如果没有安装 ONNX：

复制代码

pip install onnx

十二、使用 Python 调用 YOLOv8

除了命令行，也可以直接使用 Python：

复制代码

from ultralytics import YOLO

model = YOLO('yolov8n.pt')

results = model.predict(
    source='bus.jpg',
    device='cpu',
    save=True
)

for result in results:
    print(result.boxes)

运行：

复制代码

conda activate pytorch
python test_yolo.py

十三、VS Code 中使用 Conda 环境

打开 VS Code 后，在集成终端执行：

复制代码

source ~/.bashrc
conda activate pytorch

检查 Python：

复制代码

which python
python --version

需要得到类似：

复制代码

$HOME/miniconda3/envs/pytorch/bin/python
Python 3.12.14

如果 VS Code 仍然使用系统 Python，可以按：

复制代码

Ctrl + Shift + P

执行：

复制代码

Python: Select Interpreter

选择：

复制代码

$HOME/miniconda3/envs/pytorch/bin/python

十四、常见问题

1. Command 'yolo' not found

错误：

复制代码

Command 'yolo' not found

原因：

没有激活 pytorch 环境；
没有安装 Ultralytics。

解决方法：

复制代码

source ~/.bashrc
conda activate pytorch
python -m pip install ultralytics

验证：

复制代码

command -v yolo

2. conda 命令找不到

复制代码

conda: command not found

解决方法：

复制代码

source ~/miniconda3/etc/profile.d/conda.sh

或者重新打开终端：

复制代码

source ~/.bashrc

3. Conda 要求接受服务条款

错误：

复制代码

CondaToSNonInteractiveError:
Terms of Service have not been accepted

可以选择使用 conda-forge：

复制代码

conda create -n pytorch \
  --override-channels \
  -c conda-forge \
  python=3.12 pip -y

4. cuda_available 为 False

复制代码

torch.cuda.is_available()

输出：

复制代码

False

原因：

虚拟机没有 NVIDIA GPU；
没有安装 NVIDIA 驱动；
安装的是 CPU 版 PyTorch。

如果只是学习 YOLOv8 推理，CPU 版可以使用，但速度较慢。

5. 每次运行结果目录编号增加

这是正常现象：

复制代码

predict
predict-2
predict-3

如果需要固定目录：

复制代码

yolo predict \
  model=yolov8n.pt \
  source=bus.jpg \
  project=output \
  name=bus_result \
  exist_ok=True

exist_ok=True 表示允许覆盖已有目录。

6. 下载模型慢

模型默认从 GitHub 下载。如果网络较慢，可以手动下载 yolov8n.pt，放到当前目录后再运行：

复制代码

yolo predict model=yolov8n.pt source=bus.jpg

十五、总结

本文完成了以下内容：

在 Ubuntu 22.04 中安装 Miniconda；
创建独立的 pytorch Conda 环境；
安装 Python 3.12；
安装 CPU 版 PyTorch、TorchVision 和 TorchAudio；
安装 Ultralytics YOLOv8；
使用 YOLOv8n 对示例图片进行目标检测；
检测到 4 个人、1 辆公交车和 1 个停车标志；
使用 CPU 完成约 90.5 ms 的单张图片推理；
了解本地图片、目录、视频和 ONNX 导出的使用方法。

常用命令总结：

复制代码

source ~/.bashrc
conda activate pytorch
cd ~/yolov8

yolo predict model=yolov8n.pt source='https://ultralytics.com/images/bus.jpg' device=cpu
yolo predict model=yolov8n.pt source="$HOME/Pictures/test.jpg" device=cpu
yolo export model=yolov8n.pt format=onnx

当前系统没有 NVIDIA GPU，因此 YOLOv8 使用 CPU 运行。后续如果需要大幅提高推理速度，需要配置 NVIDIA 显卡直通、安装驱动和 CUDA，并重新安装 GPU 版 PyTorch。