1. 安装Anaconda打造专属Python工作区第一次在Ubuntu服务器上配置深度学习环境时我强烈推荐从Anaconda开始。这个工具就像个万能工具箱能帮你轻松管理各种Python版本和依赖包。记得去年给实验室新服务器配环境时用Anaconda省去了至少80%的依赖冲突问题。1.1 下载与安装的正确姿势首先打开终端CtrlAltT用wget直接获取最新版Anaconda。我习惯先建个临时目录避免文件散落各处mkdir ~/temp_install cd ~/temp_install wget https://repo.anaconda.com/archive/Anaconda3-2023.09-0-Linux-x86_64.sh下载完成后别急着安装先做两件事校验文件完整性sha256sum Anaconda3-*.sh对比官网公布的校验值这个步骤能避免下载到损坏的安装包安装命令简单到令人发指bash Anaconda3-*.sh但这里有三个容易踩的坑看到协议内容时疯狂按回车直到出现[yes/no]提示安装路径建议保持默认直接回车最后询问是否初始化conda时选yes会让所有终端自动激活base环境1.2 解决base环境自动激活问题安装完发现终端前总带着(base)这是Anaconda的默认行为。要禁用可以运行conda config --set auto_activate_base false需要时再手动激活conda activate base验证安装是否成功conda list # 应显示已安装包列表 python --version # 应显示Anaconda带的Python版本2. Conda环境管理为YOLOv8打造专属沙盒直接使用base环境就像在客厅做化学实验——迟早会出乱子。我的做法是为每个项目创建独立环境比如专门给YOLOv8建个健身房。2.1 创建深度学习专用环境这行命令会创建一个Python3.9环境YOLOv8官方推荐conda create -n yolov8 python3.9 -y激活环境的命令要注意conda activate yolov8 # 不是source activate2.2 安装PyTorch的黄金组合在conda环境下安装PyTorch要特别注意版本匹配。以下是经过实测的稳定组合conda install pytorch2.0.1 torchvision0.15.2 torchaudio2.0.2 pytorch-cuda11.8 -c pytorch -c nvidia安装后验证CUDA是否可用import torch print(torch.__version__) # 应显示2.0.1 print(torch.cuda.is_available()) # 必须返回True如果最后一步报错大概率是驱动问题。可以先用nvidia-smi查看驱动状态正常应该显示GPU信息和驱动版本。3. PyCharm专业版配置远程开发的瑞士军刀虽然社区版免费但专业版的远程开发功能绝对物有所值。我通过教育邮箱申请了免费授权下面是配置要点。3.1 安装与破解的合法途径下载Linux版.tar.gz包后解压到/opt目录更符合Linux规范sudo tar -xzf pycharm-*.tar.gz -C /opt/ cd /opt/pycharm-*/bin ./pycharm.sh第一次启动时会询问导入设置建议选择Do not import。然后重点来了在欢迎界面右下角找Get Help License选择For educational use用学校邮箱申请免费授权3.2 关联Conda环境的技巧在PyCharm中设置解释器时有个隐藏技巧先打开任意Python文件然后右下角点击解释器名称选择Add New Interpreter选Conda Environment标签勾选Make available to all projects这样配置后所有项目都能方便地切换到这个环境。特别提醒不要在PyCharm里直接安装包建议回到终端用conda安装。4. YOLOv8实战从验证到训练全流程环境就绪后真正的乐趣才开始。让我们用YOLOv8s模型完成从推理到训练的全过程。4.1 项目初始化与依赖安装克隆官方仓库建议加上--depth参数git clone --depth 1 https://github.com/ultralytics/ultralytics cd ultralytics安装依赖时有个坑要注意requirements.txt里的包版本可能冲突建议单独安装核心包pip install ultralytics pip install matplotlib3.7.1 # 新版可能有显示问题4.2 快速验证环境准备测试图片wget https://ultralytics.com/images/bus.jpg运行推理测试yolo predict modelyolov8s.pt sourcebus.jpg成功的话会在runs/detect/predict目录看到带检测框的图片。如果报错常见原因有没正确安装ultralytics包CUDA不可用回到第2步检查模型文件损坏重新下载pt文件4.3 训练自定义数据集数据集目录结构建议这样组织datasets/ ├── images/ │ ├── train/ │ └── val/ └── labels/ ├── train/ └── val/对应的YAML文件示例path: ../datasets train: images/train val: images/val names: 0: cat 1: dog启动训练的命令参数很多这几个最实用yolo train datayour_data.yaml modelyolov8s.pt epochs100 imgsz640 batch16训练过程中可以监控GPU使用情况watch -n 1 nvidia-smi5. 性能优化与问题排查让YOLOv8跑得更快是门艺术这里分享几个实战技巧。5.1 提升训练速度的秘籍在训练命令后添加这些参数能显著提速--cache ram # 使用内存缓存 --workers 8 # 根据CPU核心数调整 --device 0 # 指定GPU编号如果遇到内存不足可以尝试--batch-size 8 # 默认是16 --half # 启用半精度训练5.2 常见错误解决方案报错CUDA out of memory减小batch size添加--half参数关闭其他占用GPU的程序报错ImportError: libGL.so.1sudo apt install libgl1-mesa-glx报错Unable to locate packagesudo apt update sudo apt install -y libsm6 libxext6 libxrender-dev6. 生产环境部署建议开发完成后如何让模型持续提供服务这里给出两种实用方案。6.1 导出为ONNX格式跨平台部署的首选格式yolo export modelyolov8s.pt formatonnx导出时可以优化推理速度--half # FP16量化 --simplify # 简化模型 --opset 12 # 指定ONNX版本6.2 创建轻量级API服务用FastAPI搭建推理服务from fastapi import FastAPI, UploadFile from ultralytics import YOLO app FastAPI() model YOLO(yolov8s.pt) app.post(/predict) async def predict(file: UploadFile): results model(file.file) return results[0].boxes.data.tolist()启动服务uvicorn main:app --host 0.0.0.0 --port 8000记得用nginx做反向代理并配置SSL证书保证安全。
