【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：

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

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

# 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：

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：

选型建议：

1. 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）；
2. 移动端部署：选 TensorFlow + YOLOv3/v4（转 TFLite 格式）；
3. 大规模分布式训练：选 TensorFlow + TFRecord 数据集（适配多 GPU/TPU 集群）；
4. 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

1. 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）；
2. 优先用虚拟环境隔离依赖，避免污染系统环境；
3. 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）

@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：

1. 新建yolo_windows_setup.bat文件，复制上述代码；
2. 右键→以管理员身份运行；
3. 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）

#!/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：

1. 新建yolo_ubuntu_setup.sh文件，复制上述代码；
2. 赋予执行权限：chmod +x yolo_ubuntu_setup.sh；
3. 运行：sudo ./yolo_ubuntu_setup.sh；
4. 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）

#!/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：

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

避坑补充

1. 若 pip 安装慢：全程添加清华镜像-i https://pypi.tuna.tsinghua.edu.cn/simple；
2. 虚拟环境激活后，终端前缀会显示(yolo-env)，代表环境生效；
3. 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。