第2章环境搭建

第二章：环境搭建——CUDA/CuDNN 版本选择、PyTorch 安装、YOLOv10 源码下载与依赖安装

好，咱们正式开始动手了。

说实话，环境搭建这事儿，看着简单，但坑是真不少。我见过太多同学卡在这一步，一卡就是半天。其实说白了，环境搭好了，后面就顺了。今天我就把这几年的经验掰开揉碎讲给你听。

先聊 CUDA。很多人一上来就装最新版，觉得越新越好。嗯，这里要注意——深度学习框架往往滞后于 CUDA 的更新。你装个 CUDA 12.5，结果 PyTorch 还没适配，那就尴尬了。

⚠️ 避坑指南
我曾经在项目里直接上了 CUDA 12.0，结果发现 PyTorch 稳定版只支持到 11.8。折腾了一下午，最后还是降级了。所以我的建议是：选 CUDA 11.8 或 12.1，这两个版本目前兼容性最好。

CuDNN 呢？跟着 CUDA 版本走就行。比如你装 CUDA 11.8，就下载对应的 CuDNN for CUDA 11.x。别搞混了。

💡 小技巧
装完 CUDA 后，在终端输入 nvidia-smi 查看驱动支持的 CUDA 版本。然后去 PyTorch 官网看它支持哪个版本，取交集就行。

我个人习惯用 conda 来管理环境。为什么？因为 pip 装 PyTorch 有时候会缺一些底层库，尤其是 GPU 版本。

具体步骤：

举个例子，如果你用 CUDA 11.8：

pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118

装完后验证一下：

python -c "import torch; print(torch.cuda.is_available())"

如果输出 True，恭喜你，GPU 环境搞定了。

  🔑 关键点

  我遇到过有人输出 False，结果发现是 PyTorch 装了 CPU 版本。你想想看，这多冤？所以一定要确认你装的 PyTorch 是 CUDA 版本，不是 CPU-only 的。

源码下载很简单，直接 git clone：

git clone https://github.com/THU-MIG/yolov10.git
cd yolov10

然后安装依赖。YOLOv10 的 requirements.txt 写得挺全的，但有个坑——它没把 ultralytics 写进去。而 YOLOv10 的很多工具函数依赖这个库。

⚠️ 避坑指南
我曾经直接 pip install -r requirements.txt，然后跑训练脚本报错说缺模块。查了半天才发现是 ultralytics 没装。所以我的建议是：装完 requirements 后，再手动装一下 ultralytics。

完整安装命令：

pip install -r requirements.txt
pip install ultralytics

另外，如果你要用 export.py 导出模型，还需要装 onnx 和 onnxruntime-gpu：

pip install onnx onnxruntime-gpu

环境搭好了，跑个 demo 试试：

yolo predict model=yolov10n.pt source='https://ultralytics.com/images/bus.jpg'

如果能看到检测结果，说明一切正常。

💡 小技巧
第一次跑的时候，YOLOv10 会自动下载预训练权重。如果下载慢，可以手动去 GitHub Releases 下载，放到项目根目录的 weights 文件夹里。

嗯，到这里环境就搭好了。你想想看，其实每一步都不难，就是细节多。我刚开始做的时候也踩过不少坑，但只要你按这个流程走，基本不会出问题。