Lingbot-Depth-Pretrain-Vitl-14 保姆级教程：Ubuntu 20.04 系统环境配置
Lingbot-Depth-Pretrain-Vitl-14 保姆级教程：Ubuntu 20.04 系统环境配置
如果你刚拿到一个像 Lingbot-Depth-Pretrain-Vitl-14 这样的深度估计模型，想在 Ubuntu 上跑起来，第一步也是最关键的一步，就是把环境给配好。很多朋友可能都遇到过这种情况：模型代码下载了，但一运行就报错，什么 CUDA 版本不对、依赖库缺失，折腾半天还没开始就结束了。
今天这篇教程，就是帮你把 Ubuntu 20.04 这个“地基”打牢。我们不谈复杂的模型原理，就聚焦一件事：手把手带你，从一台刚装好的 Ubuntu 20.04 系统开始，一步步配置好运行 Lingbot-Depth-Pretrain-Vitl-14 所需的所有环境。跟着走一遍，你就能获得一个干净、兼容、高性能的推理环境，后续跑模型会顺畅很多。
1. 准备工作与核心思路
在开始敲命令之前，我们先理清思路。为 AI 模型配置环境，尤其是涉及 GPU 加速的，核心在于确保几个关键组件的版本完美匹配。对于 Lingbot-Depth-Pretrain-Vitl-14 这类基于现代深度学习框架（通常是 PyTorch）的模型，你需要一个稳固的“技术栈”：
- 操作系统：我们选择 Ubuntu 20.04 LTS，这是一个长期支持版本，社区资源丰富，稳定性好。
- 显卡驱动：这是让你的系统能“看见”并用上 NVIDIA GPU 的基础。
- CUDA 工具包：这是 NVIDIA 提供的并行计算平台，深度学习框架靠它来调用 GPU 进行计算。
- cuDNN 库：这是 NVIDIA 深度优化的神经网络加速库，装了它，模型训练和推理速度能有显著提升。
- Python 环境与依赖库：包括 Python 解释器、PyTorch 框架以及其他必要的 Python 包。
它们之间的依赖关系是自上而下的，下一层依赖上一层的正确安装。本教程的目标，就是帮你理清这个链条，并一次性搞定。
你需要准备：
- 一台安装了 Ubuntu 20.04 的电脑或服务器。
- 一块 NVIDIA 显卡（这是 GPU 加速的前提）。
- 稳定的网络连接（需要下载不少软件包）。
好了，我们开始。
2. 第一步：系统更新与显卡驱动安装
万事开头难，但第一步往往最简单。我们先让系统保持最新，然后装上合适的显卡驱动。
打开你的终端（快捷键Ctrl+Alt+T），让我们依次执行以下命令。
2.1 更新系统软件包列表
这就像去超市前先查一下商品目录，确保我们知道有哪些最新的“货”可以安装。
sudo apt update2.2 升级已安装的软件包
把系统里现有的软件都升级到最新版本，修复一些已知问题，获得更好的兼容性。
sudo apt upgrade -y那个-y参数的意思是，在安装过程中如果询问“是否继续？”，自动回答“是”，这样就不用守在电脑前一直按回车了。
2.3 安装 NVIDIA 显卡驱动
这里推荐使用 Ubuntu 官方仓库的ubuntu-drivers工具来安装，它通常会帮你自动选择最适合当前硬件和系统的稳定版驱动。
首先，安装这个工具：
sudo apt install ubuntu-drivers-common -y然后，让它自动检测并安装推荐的驱动：
sudo ubuntu-drivers autoinstall安装完成后，必须重启系统，新的显卡驱动才会生效。
sudo reboot重启后，再次打开终端，输入以下命令来验证驱动是否安装成功：
nvidia-smi如果安装成功，你会看到一个表格，显示了你的 GPU 型号、驱动版本、CUDA 版本（这里显示的是驱动支持的最高 CUDA 版本，并非已安装的）以及 GPU 的使用情况。看到这个界面，第一步就圆满成功了。
3. 第二步：安装 CUDA 工具包
CUDA 是核心。为 Lingbot-Depth-Pretrain-Vitl-14 这类模型选择 CUDA 版本时，最关键的是要与后续要安装的 PyTorch 版本兼容。PyTorch 官网会明确说明其预编译版本对应哪个 CUDA 版本。
假设我们后续计划安装 PyTorch 2.0+ 的版本，那么 CUDA 11.8 是一个广泛兼容且稳定的选择。我们使用 NVIDIA 官方提供的网络安装方式。
访问 NVIDIA CUDA 工具包归档页面，找到 CUDA 11.8.0 的安装指南。对于 Ubuntu 20.04，常用的安装命令如下：
首先，下载并安装 CUDA 仓库的密钥和包源信息：
wget https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2004/x86_64/cuda-ubuntu2004.pin sudo mv cuda-ubuntu2004.pin /etc/apt/preferences.d/cuda-repository-pin-600 wget https://developer.download.nvidia.com/compute/cuda/11.8.0/local_installers/cuda-repo-ubuntu2004-11-8-local_11.8.0-520.61.05-1_amd64.deb sudo dpkg -i cuda-repo-ubuntu2004-11-8-local_11.8.0-520.61.05-1_amd64.deb添加密钥：
sudo cp /var/cuda-repo-ubuntu2004-11-8-local/cuda-*-keyring.gpg /usr/share/keyrings/更新软件包列表并安装 CUDA：
sudo apt update sudo apt install cuda-11-8 -y
安装过程可能需要一些时间。完成后，需要将 CUDA 添加到系统的环境变量中，这样终端才能找到它的命令和库。
编辑用户的环境配置文件（如果你用的是 bash shell）：
nano ~/.bashrc在文件的最后，添加以下几行：
export PATH=/usr/local/cuda-11.8/bin${PATH:+:${PATH}} export LD_LIBRARY_PATH=/usr/local/cuda-11.8/lib64${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}按
Ctrl+X，然后按Y，再按回车保存退出。让环境变量立即生效：
source ~/.bashrc验证 CUDA 是否安装成功：
nvcc --version这个命令会输出 CUDA 编译器的版本信息，如果显示
release 11.8之类的字样，恭喜你，CUDA 安装好了。
4. 第三步：安装 cuDNN 库
cuDNN 是 NVIDIA 针对深度神经网络的高度优化库。安装它需要先在 NVIDIA 官网注册开发者账号并下载对应版本的安装包。这里我们以 cuDNN 8.6.0（对应 CUDA 11.x）为例，介绍本地安装方式。
前往 NVIDIA cuDNN 官网，登录后下载适用于CUDA 11.x的cuDNN 8.6.0的 Local Installer for Ubuntu20.04 x86_64 (Deb) 文件，例如
cudnn-local-repo-ubuntu2004-8.6.0.163_1.0-1_amd64.deb。将下载的
.deb文件上传到你的 Ubuntu 系统，然后在终端中进入该文件所在目录，进行安装：sudo dpkg -i cudnn-local-repo-ubuntu2004-8.6.0.163_1.0-1_amd64.deb导入密钥：
sudo cp /var/cudnn-local-repo-*/cudnn-*-keyring.gpg /usr/share/keyrings/更新并安装 cuDNN 运行时库和开发库：
sudo apt update sudo apt install libcudnn8=8.6.0.163-1+cuda11.8 libcudnn8-dev=8.6.0.163-1+cuda11.8 -y注意：安装时可能会提示版本冲突，如果系统试图安装其他版本的 cuDNN，你可以使用
sudo apt install libcudnn8=8.6.0.163-1+cuda11.8这样的格式强制指定版本。验证 cuDNN 安装。一个简单的方法是检查头文件和库文件是否存在：
cat /usr/include/cudnn_version.h | grep CUDNN_MAJOR -A 2或者查找库文件：
ldconfig -p | grep cudnn如果能找到相关文件，说明 cuDNN 已经就位。
5. 第四步：配置 Python 环境与 PyTorch
为了避免不同项目间的依赖冲突，强烈建议使用conda或venv创建独立的 Python 虚拟环境。这里我们使用轻量级的venv。
5.1 创建虚拟环境
首先确保安装了 Python3 和venv模块：
sudo apt install python3 python3-pip python3-venv -y然后，在你喜欢的位置（比如你的项目目录或家目录）创建一个虚拟环境，命名为lingbot_env：
python3 -m venv ~/lingbot_env激活这个环境：
source ~/lingbot_env/bin/activate激活后，你的命令行提示符前面通常会显示环境名(lingbot_env)，这表示你后续的所有 Python 操作都只在这个“沙箱”里进行。
5.2 安装 PyTorch 及相关依赖
现在，在这个虚拟环境里安装 PyTorch。前往 PyTorch 官网，根据你的 CUDA 版本（11.8）选择对应的安装命令。对于我们的环境，命令可能类似这样：
pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118这里cu118就代表 CUDA 11.8。
安装完成后，可以写个简单的 Python 脚本来验证 PyTorch 是否能正确识别 GPU：
import torch print(f"PyTorch version: {torch.__version__}") print(f"CUDA available: {torch.cuda.is_available()}") if torch.cuda.is_available(): print(f"CUDA version: {torch.version.cuda}") print(f"GPU device: {torch.cuda.get_device_name(0)}")将上面代码保存为test_gpu.py，然后运行python test_gpu.py。如果一切正常，你会看到 CUDA 可用，并显示你的 GPU 型号。
5.3 安装 Lingbot-Depth-Pretrain-Vitl-14 可能需要的其他依赖
根据该模型的具体要求，你可能还需要安装一些额外的库，例如图像处理库Pillow、科学计算库numpy，以及深度学习工具库timm等。通常可以在模型的requirements.txt或README.md中找到。这里先安装一些通用的：
pip install numpy pillow opencv-python-headless timm6. 总结与环境验证
走到这一步，恭喜你，一个为深度估计模型量身定制的 Ubuntu 20.04 基础环境已经搭建完毕。我们来回顾一下都做了什么：从更新系统、安装显卡驱动，到配置 CUDA 和 cuDNN 这对黄金搭档，再到创建独立的 Python 环境并安装好 PyTorch 框架。
你可以通过一个综合性的检查脚本来确认所有组件都已就绪：
nvidia-smi nvcc --version python -c "import torch; print('PyTorch CUDA OK:', torch.cuda.is_available(), torch.version.cuda)"如果这三条命令都返回了预期的、版本一致的信息，那么你的环境就已经非常健康了。
接下来，你就可以放心地去下载 Lingbot-Depth-Pretrain-Vitl-14 的模型代码和权重，按照其具体的文档说明运行推理或训练了。记住，好的开始是成功的一半，花时间配好环境，能为你后续的开发和实验省去无数麻烦。
获取更多AI镜像
想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。