最近在配置YOLO（You Only Look Once）进行物体检测和图像分割任务时，发现默认安装的情况下，YOLO使用的是CPU进行计算。
这对于需要处理大量图像或实时检测的任务来说，效率明显不足。
本文将详细介绍如何将YOLO从CPU模式切换到GPU模式，显著提升运行效率。
1. 配置步骤
1.1. 检查当前PyTorch是否支持GPU
首先需要确认当前安装的PyTorch是否支持GPU。打开Python环境，运行以下代码：
import torch
print(f"PyTorch版本: {torch.__version__}")
print(f"CUDA是否可用: {torch.cuda.is_available()}")
print(f"当前设备: {torch.cuda.current_device() if torch.cuda.is_available() else 'CPU'}")
print(f"设备名称: {torch.cuda.get_device_name(0) if torch.cuda.is_available() else '无GPU设备'}")
如果输出显示CUDA是否可用: False，说明需要重新安装支持GPU的PyTorch版本。
我在默认安装 YOLO 之后，显示的就是False。
1.2. 卸载现有的torch库
如果当前PyTorch不支持GPU，需要先卸载相关库：
pip uninstall torch torchvision torchaudio
1.3. 查看本机GPU情况（Windows 11系统）
在Windows 11系统中，可以通过以下方式查看GPU信息：
按Win + X键，选择"任务管理器"
切换到"性能"选项卡
查看GPU信息，确认GPU型号和CUDA支持情况
或者使用命令行：
nvidia-smi
这将显示NVIDIA GPU的详细信息，包括CUDA版本。
我的电脑显示信息如下：
Sat Sep 27 17:35:25 2025
+-----------------------------------------------------------------------------------------+
| NVIDIA-SMI 556.12 Driver Version: 556.12 CUDA Version: 12.5 |
|-----------------------------------------+------------------------+----------------------+
| GPU Name Driver-Model | Bus-Id Disp.A | Volatile Uncorr. ECC |
| Fan Temp Perf Pwr:Usage/Cap | Memory-Usage | GPU-Util Compute M. |
| | | MIG M. |
|=========================================+========================+======================|
| 0 NVIDIA GeForce RTX 2060 WDDM | 00000000:01:00.0 On | N/A |
| N/A 35C P8 14W / 80W | 937MiB / 6144MiB | 10% Default |
| | | N/A |
+-----------------------------------------+------------------------+----------------------+
1.4. 安装匹配的GPU版本PyTorch
从上面的命令显示结果来看，我的CUDA Version是 12.5。
所以应该使用如下命令安装：
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu125
但是，目前似乎没有提供cu125的版本，上面的命令会报错，于是安装了cu121版本。
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121
至此，安装成功。
1.5. 验证GPU使用效果
安装成功后，运行验证代码：
import torch
from ultralytics import YOLO
# 检查GPU是否可用
print(f"CUDA是否可用: {torch.cuda.is_available()}")
print(f"设备名称: {torch.cuda.get_device_name(0) if torch.cuda.is_available() else '无GPU设备'}")
# 加载YOLO模型并指定使用GPU
model = YOLO('yolov11n.pt') # 以YOLOv8n为例
results = model('path/to/your/test.mp4')
2. 性能对比
完成配置后，你会注意到：
训练速度：GPU训练通常比CPU快很多
推理速度：实时检测的帧率大幅提升
批量处理：GPU可以并行处理更多图像
在我的电脑上，换成GPU之后，那个test.mp4的处理速度从44秒多降到7秒多，大约快了6倍多。
我的显卡很一般，好的显卡效果更明显。
3. 常见问题解决
CUDA版本不匹配：确保安装的PyTorch版本与系统CUDA版本兼容
内存不足：如果遇到GPU内存不足，可以减小批量大小（batch size）
驱动问题：确保安装了最新的NVIDIA显卡驱动
4. 总结
通过将YOLO从CPU迁移到GPU，你可以显著提升模型训练和推理的效率。
这一简单的配置调整将为你的计算机视觉项目带来质的飞跃。
