从零到跑通YOLOv5：我的Ubuntu 20.04深度学习环境搭建全记录（含Anaconda虚拟环境管理）

从零构建YOLOv5实战环境：Ubuntu 20.04深度学习开发全栈指南

当第一次在终端看到YOLOv5实时识别视频中快速移动的物体时，那种震撼感至今难忘。作为计算机视觉领域最具影响力的目标检测框架之一，YOLOv5以其惊人的速度和精度重新定义了实时检测的边界。本文将完整记录如何在Ubuntu 20.04系统上，从裸机开始搭建支持CUDA加速的PyTorch环境，最终成功运行YOLOv5模型的全部过程。不同于简单的命令罗列，这里会重点分享环境配置中的"为什么"和"怎么办"——那些官方文档很少提及却至关重要的实战细节。

1. 基础系统准备：打造高效开发环境

刚安装好的Ubuntu 20.04就像一张白纸，我们需要先配置符合开发者习惯的工作环境。从个人经验来看，合理的基础设置能显著提升后续深度学习开发的效率。

终端增强是首要任务。默认的GNOME终端功能有限，建议安装Terminator：

sudo add-apt-repository ppa:gnome-terminator sudo apt-get update sudo apt install terminator

安装完成后，可以通过右键拆分窗口实现多面板操作，这对需要同时监控训练进程和系统资源的情况特别有用。

中文输入法选择Fcitx框架配合开源引擎：

sudo apt install fcitx-googlepinyin

安装后需要在系统设置的Language Support中将键盘输入法系统改为fcitx。遇到输入法切换问题，通常重启后即可解决。

开发工具链的安装也不容忽视：

sudo apt install build-essential cmake git curl wget

这些基础工具在后续安装CUDA、编译Python包时都是必需的。曾经因为漏装build-essential导致PyTorch编译失败，浪费了两小时排查时间。

2. Anaconda环境配置：Python生态的基石

Anaconda是管理Python环境的瑞士军刀，但直接从官网下载速度可能很慢。推荐使用清华镜像：

wget https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/Anaconda3-2021.11-Linux-x86_64.sh bash Anaconda3-2021.11-Linux-x86_64.sh

安装完成后，立即配置conda国内镜像源加速后续操作：

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge conda config --set show_channel_urls yes

创建专为YOLOv5的虚拟环境（Python 3.8在兼容性和新特性之间取得了良好平衡）：

conda create -n yolo python=3.8 conda activate yolo

虚拟环境就像独立的沙箱，不同项目可以使用不同版本的库而不会相互干扰。曾经因为在一个环境里混用TensorFlow和PyTorch导致依赖冲突，最终不得不重建环境。

3. GPU驱动与CUDA工具链配置

深度学习训练离不开GPU加速，正确的驱动安装是关键。Ubuntu 20.04提供了相对简单的驱动安装方式：

1. 打开"软件和更新"应用
2. 切换到"附加驱动"标签页
3. 选择专有驱动（推荐使用最新稳定版）
4. 应用更改并重启

验证驱动安装：

nvidia-smi

正常情况应该显示GPU信息和驱动版本。如果遇到"NVIDIA-SMI has failed"错误，可能需要禁用Secure Boot或使用DKMS重新安装驱动：

sudo apt install dkms sudo dkms install -m nvidia -v 驱动版本号

CUDA工具链建议选择11.3版本，这是目前PyTorch生态兼容性最好的版本之一。从NVIDIA官网下载对应版本的runfile安装包：

wget https://developer.download.nvidia.com/compute/cuda/11.3.0/local_installers/cuda_11.3.0_465.19.01_linux.run sudo sh cuda_11.3.0_465.19.01_linux.run

安装时注意取消勾选驱动安装（我们已经单独安装了驱动）。完成后将CUDA加入环境变量：

echo 'export PATH=/usr/local/cuda-11.3/bin:$PATH' >> ~/.bashrc echo 'export LD_LIBRARY_PATH=/usr/local/cuda-11.3/lib64:$LD_LIBRARY_PATH' >> ~/.bashrc source ~/.bashrc

验证CUDA安装：

nvcc -V

cuDNN是深度神经网络加速库，需要单独安装。下载与CUDA 11.3兼容的cuDNN 8.2.1版本，解压后复制到CUDA目录：

sudo cp cuda/include/cudnn*.h /usr/local/cuda/include sudo cp cuda/lib64/libcudnn* /usr/local/cuda/lib64 sudo chmod a+r /usr/local/cuda/include/cudnn*.h /usr/local/cuda/lib64/libcudnn*

4. PyTorch环境定制安装

在虚拟环境中安装PyTorch时，指定版本和CUDA版本至关重要。以下是经过验证的稳定组合：

conda install pytorch==1.12.0 torchvision==0.13.0 torchaudio==0.12.0 cudatoolkit=11.3 -c pytorch

安装完成后，运行以下测试脚本验证GPU是否可用：

import torch print(torch.cuda.is_available()) # 应该输出True print(torch.cuda.device_count()) # 显示可用GPU数量 print(torch.version.cuda) # 显示PyTorch使用的CUDA版本

如果发现PyTorch安装成了CPU版本，需要完全卸载后重新安装：

conda uninstall pytorch torchvision torchaudio conda clean --all

常见问题排查：

• 版本不匹配：确保PyTorch、CUDA、cuDNN版本兼容
• 环境污染：总是在虚拟环境中安装
• 驱动问题：nvidia-smi能正常运行是前提

5. YOLOv5实战部署与问题解决

克隆官方YOLOv5仓库并安装依赖：

git clone https://github.com/ultralytics/yolov5 cd yolov5 pip install -r requirements.txt

首次运行时可能会遇到几个典型问题：

字体文件缺失错误：修改utils/plots.py文件，注释掉check_font()调用：

# if RANK in (-1, 0): # check_font() # 注释掉这行

类型转换错误：当出现"Float can't be cast to long int"错误时，需要修改utils/loss.py：

# 原始代码 anchors = self.anchors[i] # 修改为 anchors, shape = self.anchors[i], p[i].shape

CUDA内存不足：减小batch-size参数：

python train.py --batch-size 8 # 根据GPU内存调整

测试预训练模型：

python detect.py --weights yolov5s.pt --source data/images/bus.jpg

成功运行后会在runs/detect/exp目录下看到检测结果。

6. 性能优化与生产部署

当模型训练完成后，可以考虑使用TensorRT进行加速。以下是在Ubuntu 20.04上安装TensorRT 8.0的基本步骤：

1. 从NVIDIA开发者网站下载对应CUDA 11.3的TensorRT tar包
2. 解压并添加库路径到环境变量：

export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/path/to/TensorRT-8.0.1.6/lib

3. 安装Python wheel包：

cd TensorRT-8.0.1.6/python pip install tensorrt-8.0.1.6-cp38-none-linux_x86_64.whl

模型转换示例：

import torch model = torch.load('yolov5s.pt') model.eval() example_input = torch.rand(1, 3, 640, 640) traced_script_module = torch.jit.trace(model, example_input) traced_script_module.save("yolov5s_jit.pt")

实际项目中，建议使用Docker容器化部署环境，确保开发和生产环境的一致性。一个典型的Dockerfile示例：

FROM nvidia/cuda:11.3.0-base RUN apt-get update && apt-get install -y python3-pip COPY requirements.txt . RUN pip install -r requirements.txt COPY . /app WORKDIR /app CMD ["python", "detect.py"]

环境搭建过程中最深刻的体会是：文档版本与实际软件版本的对应关系至关重要。某个深夜因为PyTorch 1.8与CUDA 11.1的微妙不兼容问题调试了三小时，最终发现官方论坛的一条不起眼的评论才解决问题。这也让我养成了在安装任何组件前先查阅版本兼容性矩阵的习惯。