第1章：环境搭建与YOLO推理实战
1.1 为什么环境搭建是第一个坎？
说实话，我见过太多同学在环境配置上卡了两三天。明明代码逻辑都懂，结果一跑就报错。嗯，这很正常。
我个人习惯把环境搭建分成三步走：
- 第一步：装好PyTorch和CUDA —— 这是深度学习的基础设施
- 第二步：下载YOLOv8的预训练权重 —— 省去自己从头训练的时间
- 第三步：跑一个车辆检测Demo —— 验证整个链路是否通顺
你想想看，如果连Demo都跑不起来，后面那些模型优化、部署落地就更别谈了。所以这一章，咱们就把这个坎迈过去。
1.2 PyTorch/CUDA环境配置
先说说CUDA。CUDA是NVIDIA的并行计算平台，说白了就是让GPU帮你干活。没有它，你的显卡就是个摆设。
第一步：检查你的显卡
打开终端，输入：
nvidia-smi如果能看到显卡信息，比如“NVIDIA GeForce RTX 3060”，那就说明驱动装好了。如果报错，去NVIDIA官网下载对应驱动。
第二步：安装CUDA Toolkit
我个人建议用CUDA 11.8或12.1，这两个版本兼容性最好。我在项目中遇到过用CUDA 12.0结果某些库不兼容的情况，折腾了半天。
安装命令（以CUDA 11.8为例）：
# 创建虚拟环境（强烈推荐）
conda create -n yolo_env python=3.9
conda activate yolo_env
# 安装PyTorch（官方推荐方式）
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118import torch; print(torch.cuda.is_available())，如果返回True，说明CUDA生效了。
1.3 下载YOLOv8预训练权重
YOLOv8是Ultralytics公司推出的最新版本。相比YOLOv5，它在小目标检测和推理速度上都有提升。我个人觉得，对于自动驾驶场景，YOLOv8的nano模型（yolov8n.pt）就够用了，轻量又快速。
下载方式很简单：
# 安装ultralytics库
pip install ultralytics
# 下载预训练权重（会自动下载到当前目录）
from ultralytics import YOLO
model = YOLO('yolov8n.pt') # 自动下载如果你网络不好，也可以手动下载。我曾经在客户现场，网络被防火墙限制，只能拿U盘拷权重文件。嗯，这种场景下，提前准备好离线包很重要。
预训练权重文件大小对比：
| 模型 | 大小 | 适用场景 |
|---|---|---|
| yolov8n.pt | 6.3 MB | 边缘设备、实时检测 |
| yolov8s.pt | 22.5 MB | 一般车载场景 |
| yolov8m.pt | 52.1 MB | 高精度需求 |
| yolov8l.pt | 87.6 MB | 服务器端 |
1.4 跑一个车辆检测Demo
好了，环境搭好了，权重也下载了。现在咱们来点真格的——用YOLOv8检测图片里的车辆。
先准备一张测试图片，比如从网上下载一张高速公路的照片。然后写代码：
from ultralytics import YOLO
import cv2
# 加载模型
model = YOLO('yolov8n.pt')
# 读取图片
img = cv2.imread('highway.jpg')
# 推理
results = model(img)
# 可视化结果
annotated_img = results[0].plot()
cv2.imshow('Vehicle Detection', annotated_img)
cv2.waitKey(0)
cv2.destroyAllWindows()跑完之后，你会看到图片上每个车辆都被框出来了，还标有置信度。比如“car 0.92”表示检测到一辆车，置信度92%。
为什么会这样？因为YOLOv8内部已经训练好了，它知道车长什么样。你想想看，它看过几百万张带标注的图片，早就记住了。
如果你用的是视频流（比如行车记录仪），代码也差不多：
cap = cv2.VideoCapture('road_video.mp4')
while cap.isOpened():
ret, frame = cap.read()
if not ret:
break
results = model(frame)
annotated_frame = results[0].plot()
cv2.imshow('YOLOv8 Detection', annotated_frame)
if cv2.waitKey(1) & 0xFF == ord('q'):
break
cap.release()
cv2.destroyAllWindows()model.to('cuda') 切换到GPU，速度能提升10倍以上。
1.5 避坑指南
我曾经在部署时遇到一个坑：模型在PC上跑得好好的，一上嵌入式设备就报错。后来发现是CUDA版本不匹配。所以这里总结几个常见问题：
- CUDA版本不一致： 用
nvidia-smi查看驱动支持的CUDA版本，再用nvcc --version查看实际安装的版本。两者要匹配。 - 显存不足： 如果报“CUDA out of memory”，试试减小batch size，或者换更小的模型（比如yolov8n）。
- OpenCV报错： 安装
pip install opencv-python即可，别装成opencv-contrib-python，那个太大。
嗯，到这里，你的YOLOv8车辆检测Demo应该能跑起来了。如果还有问题，别急，下一章咱们会深入讲解模型结构，到时候你就能理解为什么有些参数要这么设了。