当前位置：首页 > news >正文

YOLO12在Ubuntu20.04上的从零部署指南

news 2026/5/12 4:05:51

YOLO12在Ubuntu20.04上的从零部署指南

1. 引言

如果你刚接触Linux系统，想要在Ubuntu上部署最新的YOLO12目标检测模型，可能会觉得有点无从下手。别担心，这篇文章就是为你准备的。我会手把手带你从零开始，在Ubuntu 20.04系统上完成YOLO12的完整部署过程。

YOLO12作为目标检测领域的新星，采用了创新的注意力机制架构，在保持实时性能的同时显著提升了检测精度。无论你是想做学术研究还是实际应用，掌握它的部署方法都是很有价值的。

整个部署过程大概需要30-60分钟，取决于你的网络速度和硬件配置。我会把每个步骤都讲得很详细，即使你是Linux新手也能跟着做下来。

2. 环境准备与系统检查

在开始安装之前，我们先检查一下系统环境。打开终端（Ctrl+Alt+T），逐行执行以下命令：

# 检查系统版本 lsb_release -a # 检查GPU信息（如果你有NVIDIA显卡） nvidia-smi # 更新系统包列表 sudo apt update # 安装基础依赖 sudo apt install -y python3-pip python3-dev build-essential libssl-dev libffi-dev python3-setuptools

如果你的系统输出显示是Ubuntu 20.04，那么就可以继续了。如果有NVIDIA显卡，nvidia-smi命令会显示显卡信息，这对后续的GPU加速很重要。

3. 驱动与CUDA安装

如果你有NVIDIA显卡，这一步很关键。我们需要安装合适的驱动和CUDA工具包：

# 检查推荐的驱动版本 ubuntu-drivers devices # 安装推荐版本的驱动 sudo ubuntu-drivers autoinstall # 重启系统使驱动生效 sudo reboot

重启后，再次打开终端，安装CUDA工具包：

# 下载并安装CUDA 11.8（兼容性较好） 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

安装过程中，记得勾选Driver、CUDA Toolkit和Samples选项。安装完成后，需要配置环境变量：

# 编辑bashrc文件 nano ~/.bashrc # 在文件末尾添加以下内容 export PATH=/usr/local/cuda/bin:$PATH export LD_LIBRARY_PATH=/usr/local/cuda/lib64:$LD_LIBRARY_PATH # 使配置生效 source ~/.bashrc

验证CUDA安装是否成功：

nvcc --version

如果显示CU版本信息，说明安装成功了。

4. Python环境配置

为了避免包冲突，我们使用conda创建独立的Python环境：

# 安装miniconda wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh bash Miniconda3-latest-Linux-x86_64.sh # 创建专门的yolo环境 conda create -n yolo12 python=3.9 conda activate yolo12

现在我们已经进入了yolo12的独立环境，接下来安装必要的Python包：

# 安装PyTorch和torchvision pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118 # 安装其他依赖 pip install ultralytics opencv-python matplotlib numpy tqdm

5. YOLO12模型部署

环境准备好后，我们就可以部署YOLO12模型了：

# 创建项目目录 mkdir yolo12_project && cd yolo12_project # 使用ultralytics包直接加载YOLO12 python -c "from ultralytics import YOLO; model = YOLO('yolo12n.pt')"

第一次运行时会自动下载yolo12n.pt模型文件，大小约在100-200MB之间，取决于你的网络速度。

6. 测试模型运行

下载完成后，我们来测试一下模型是否能正常工作：

# 创建测试脚本 test_yolo.py import cv2 from ultralytics import YOLO import matplotlib.pyplot as plt # 加载模型 model = YOLO('yolo12n.pt') # 进行目标检测 results = model('https://ultralytics.com/images/bus.jpg') # 显示结果 results[0].show() plt.show()

运行测试脚本：

python test_yolo.py

如果一切正常，你会看到一张图片，上面有检测到的物体和对应的边界框。这就是YOLO12在工作的证明！

7. 常见问题排查

在部署过程中可能会遇到一些问题，这里列出几个常见的：

问题1：CUDA不可用

# 检查PyTorch是否能识别CUDA python -c "import torch; print(torch.cuda.is_available())"

如果输出False，可能是驱动或CUDA安装有问题，需要重新检查前几步。

问题2：模型下载失败可以手动下载模型：

wget https://github.com/ultralytics/assets/releases/download/v0.0.0/yolo12n.pt

问题3：内存不足如果显存不够，可以使用更小的模型：

# 使用nano版本，占用资源更少 model = YOLO('yolo12n.pt')

8. 进阶使用建议

部署成功后，你可以进一步探索YOLO12的更多功能：

# 使用自定义数据训练 results = model.train(data='coco128.yaml', epochs=50, imgsz=640) # 导出为其他格式（如ONNX） model.export(format='onnx') # 使用摄像头实时检测 results = model(source=0, show=True, conf=0.5)

对于实际项目，建议从yolo12n（最小版本）开始测试，然后根据效果和性能需求选择更大的模型版本。