Ubuntu 22.04 + RTX 3090 双卡环境部署 Ultralytics（YOLO11）完整指南

lcw918110

382人浏览 · 2026-08-24 20:25:10

lcw918110 · 2026-08-24 20:25:10 发布

一、前言

Ultralytics 是一个统一的深度学习框架，支持 YOLOv5、YOLOv8、YOLO11 等多个版本的模型权重。本文将基于 Ubuntu 22.04 和 双 NVIDIA RTX 3090 显卡，记录从系统准备到成功运行 YOLO11 推理的全过程。每一步都配有验证命令，确保你能一次通过。

环境概览：

操作系统：Ubuntu 22.04.5 LTS
显卡：NVIDIA GeForce RTX 3090 × 2（24GB 显存/卡）
驱动版本：595.84
CUDA 版本：13.2（驱动支持）/ 12.4（PyTorch 自带）
Python 版本：3.10.12
PyTorch 版本：2.6.0+cu124
Ultralytics 版本：8.4.123

二、系统准备

2.1 更新系统与安装基础工具

打开终端，执行：

bash

sudo apt update && sudo apt upgrade -y
sudo apt install build-essential dkms linux-headers-$(uname -r) -y

2.2 禁用开源 Nouveau 驱动

Nouveau 驱动可能与 NVIDIA 官方驱动冲突，必须禁用。

bash

sudo bash -c "echo -e 'blacklist nouveau\noptions nouveau modeset=0' > /etc/modprobe.d/blacklist-nouveau.conf"
sudo update-initramfs -u
sudo reboot

重启后，运行以下命令确认 Nouveau 已被禁用（应无输出）：

bash

lsmod | grep nouveau

三、安装 NVIDIA 驱动

3.1 查看推荐驱动版本

bash

ubuntu-drivers devices

根据输出选择推荐版本（本文使用 595），直接安装：

bash

sudo apt install nvidia-driver-595 -y
sudo reboot

3.2 验证驱动

bash

nvidia-smi

预期输出：

text

+-----------------------------------------------------------------------------------------+
| NVIDIA-SMI 595.84                 Driver Version: 595.84         CUDA Version: 13.2     |
+-----------------------------------------+------------------------+----------------------+
|   0  NVIDIA GeForce RTX 3090        Off | 00000000:5E:00.0 Off |                  N/A |
|   1  NVIDIA GeForce RTX 3090        Off | 00000000:D8:00.0 Off |                  N/A |
+-----------------------------------------+------------------------+----------------------+

看到两张显卡和 CUDA 版本即代表成功。

四、安装 CUDA Toolkit（可选但推荐）

虽然 PyTorch 自带了 CUDA 运行时，但完整的 CUDA Toolkit 有助于编译第三方扩展，避免头文件缺失。

4.1 添加 CUDA 软件源

bash

wget https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2204/x86_64/cuda-ubuntu2204.pin
sudo mv cuda-ubuntu2204.pin /etc/apt/preferences.d/cuda-repository-pin-600
wget https://developer.download.nvidia.com/compute/cuda/13.2.0/local_installers/cuda-repo-ubuntu2204-13-2-local_13.2.0-595.45.04-1_amd64.deb
sudo dpkg -i cuda-repo-ubuntu2204-13-2-local_13.2.0-595.45.04-1_amd64.deb
sudo cp /var/cuda-repo-ubuntu2204-13-2-local/cuda-*-keyring.gpg /usr/share/keyrings/
sudo apt-get update

4.2 安装 CUDA Toolkit

bash

sudo apt-get install cuda-toolkit-13-2 -y

4.3 配置环境变量

将以下内容添加到 ~/.bashrc：

bash

export PATH=/usr/local/cuda-13/bin${PATH:+:${PATH}}
export LD_LIBRARY_PATH=/usr/local/cuda-13/lib64${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}

使配置生效：

bash

source ~/.bashrc

验证：

bash

nvcc --version

应显示 CUDA 13.2 版本信息。

五、创建 Python 虚拟环境

为避免包冲突，推荐使用 Python 自带的 venv。

5.1 安装 venv 支持

如果系统提示 ensurepip 不可用，需安装对应包：

bash

sudo apt install python3.10-venv -y

5.2 创建并激活环境

bash

python3 -m venv ~/ultralytics_env
source ~/ultralytics_env/bin/activate

激活后，终端前缀变为 (ultralytics_env)。

验证 Python 路径是否正确：

bash

which python
# 应输出 /home/username/ultralytics_env/bin/python

六、安装 PyTorch（GPU 版）

6.1 升级 pip

bash

pip install --upgrade pip

6.2 安装 CUDA 12.4 版本的 PyTorch

bash

pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu124

选择 12.4 是因为它是 PyTorch 官方长期支持的稳定版，且与驱动 595 完全兼容。

6.3 验证 PyTorch 与 GPU

bash

python -c "import torch; print(f'PyTorch: {torch.__version__}'); print(f'CUDA可用: {torch.cuda.is_available()}'); print(f'GPU数量: {torch.cuda.device_count()}'); print(f'第一张卡: {torch.cuda.get_device_name(0)}')"

预期输出：

text

PyTorch: 2.6.0+cu124
CUDA可用: True
GPU数量: 2
第一张卡: NVIDIA GeForce RTX 3090

七、安装 Ultralytics 框架并验证

7.1 安装 Ultralytics

bash

pip install ultralytics

7.2 综合验证（自动下载 YOLO11n 权重）

bash

python -c "
import torch
from ultralytics import YOLO

print('='*50)
print('环境验证报告')
print('='*50)
print(f'Python版本: {__import__(\"sys\").version}')
print(f'PyTorch版本: {torch.__version__}')
print(f'CUDA可用: {torch.cuda.is_available()}')
print(f'GPU数量: {torch.cuda.device_count()}')
for i in range(torch.cuda.device_count()):
    print(f'  GPU {i}: {torch.cuda.get_device_name(i)}')
model = YOLO('yolo11n.pt')
print('✅ Ultralytics 框架与 YOLO11n 模型加载成功！')
print('='*50)
print('✅ 所有组件验证通过！')
"

该命令会自动从官方源下载 yolo11n.pt 权重文件（约 6MB）并加载，验证整个流程。

八、快速推理测试

bash

yolo predict model=yolo11n.pt source='https://ultralytics.com/images/bus.jpg'

首次运行会自动下载示例图片并执行推理，输出类似：

text

Ultralytics 8.4.123 🚀 Python-3.10.12 torch-2.6.0+cu124 CUDA:0 (NVIDIA GeForce RTX 3090, 24126MiB)
YOLO11n summary (fused): 100 layers, 2,616,248 parameters, 0 gradients, 6.5 GFLOPs
image 1/1 /home/username/bus.jpg: 640x480 4 persons, 1 bus, 11.2ms
Speed: 32.4ms preprocess, 11.2ms inference, 23.1ms postprocess per image
Results saved to /home/username/runs/detect/predict

恭喜！你的 Ultralytics 环境已完全就绪 🎉

九、常见问题与排障

问题现象	解决办法
`conda: command not found`	系统未安装 Conda，改用 Python 自带的 `venv` 即可（见第五章）
`ensurepip not available`	执行 `sudo apt install python3.10-venv -y` 安装 venv 支持
模型下载速度慢或超时	由于网络原因（如防火墙限制），可手动下载权重文件放入 `~/.cache/ultralytics/` 目录

附：PyTorch & Ultralytics 安装依赖解析

一、PyTorch 依赖结构与清单

安装命令：

bash

pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu124

共安装 27 个包，总下载量约 2.9 GB，分类如下：

类别	包名	版本	说明
PyTorch 核心	`torch`	2.6.0+cu124	主框架（768 MB）
	`torchvision`	0.21.0+cu124	视觉工具库（7.3 MB）
	`torchaudio`	2.6.0+cu124	音频工具库（3.4 MB）
NVIDIA CUDA 运行时库	`nvidia-cuda-nvrtc-cu12`	12.4.127	运行时编译库（24.6 MB）
	`nvidia-cuda-runtime-cu12`	12.4.127	CUDA 运行时 API（883 KB）
	`nvidia-cuda-cupti-cu12`	12.4.127	性能分析工具（13.8 MB）
	`nvidia-nvtx-cu12`	12.4.127	工具扩展库（99 KB）
	`nvidia-nvjitlink-cu12`	12.4.127	JIT 链接器（21.1 MB）
NVIDIA 数学与加速库	`nvidia-cudnn-cu12`	9.1.0.70	深度神经网络加速（664.8 MB）
	`nvidia-cublas-cu12`	12.4.5.8	基础线性代数（363.4 MB）
	`nvidia-cufft-cu12`	11.2.1.3	快速傅里叶变换（211.5 MB）
	`nvidia-curand-cu12`	10.3.5.147	随机数生成（56.3 MB）
	`nvidia-cusolver-cu12`	11.6.1.9	线性求解器（127.9 MB）
	`nvidia-cusparse-cu12`	12.3.1.170	稀疏矩阵运算（207.5 MB）
	`nvidia-cusparselt-cu12`	0.6.2	稀疏张量加速（150.1 MB）
多卡通信库	`nvidia-nccl-cu12`	2.21.5	多 GPU 通信（188.7 MB）
GPU 编译器	`triton`	3.2.0	GPU 内核编译器（166.6 MB）
Python 依赖	`numpy`	2.2.6	科学计算（16.8 MB）
	`pillow`	12.3.0	图像处理（6.9 MB）
	`networkx`	3.4.2	图计算（1.7 MB）
	`sympy`	1.13.1	符号计算（6.2 MB）
	`mpmath`	1.3.0	高精度数学（536 KB）
	`jinja2`	3.1.6	模板引擎（134 KB）
	`MarkupSafe`	3.0.3	安全字符串处理（20 KB）
	`typing-extensions`	4.16.0	类型扩展（45 KB）
	`filelock`	3.32.3	文件锁（98 KB）
	`fsspec`	2026.7.0	文件系统接口（206 KB）

核心依赖：PyTorch 的核心依赖是 nvidia-* 系列 CUDA 库和 triton，它们共同构成了 GPU 加速的完整底层链路。

二、Ultralytics 依赖结构与清单

安装命令：

bash

pip install ultralytics

依赖包	版本要求	说明
核心计算
`torch`	>=1.8.0	深度学习引擎（检测到已安装则自动跳过）
`torchvision`	>=0.9.0	视觉数据处理
`numpy`	>=1.22.0	数值计算
图像处理
`opencv-python`	>=4.6.0	图像/视频读写与处理
`pillow`	>=7.1.2	图像基础处理（PIL）
数据可视化
`matplotlib`	>=3.2.2	结果绘图
`seaborn`	>=0.11.0	统计图表（可选）
配置与工具
`pyyaml`	>=5.3.1	YAML 配置文件解析
`tqdm`	>=4.64.0	进度条显示
`psutil`		系统资源监控
`ipython`		交互式环境支持（可选）

核心依赖：torch + torchvision 是 Ultralytics 的核心运行依赖，其他均为辅助工具库。

三、为何必须独立安装 PyTorch？

1 问题根源：PyPI 文件大小限制

平台	文件大小限制	能否上传 GPU 版 PyTorch？
PyPI（Python 官方仓库）	≈ 100 MB	❌ 否（GPU 版达 700 MB ~ 2 GB）
PyTorch 官方索引源	无限制	✅ 是

PyPI 上默认的 torch 版本是 仅支持 CPU 的版本（约 200 MB）。
支持 CUDA 的 GPU 版本必须通过 --index-url 从 PyTorch 专属仓库获取。

2 两种安装路径的结果对比

安装方式	过程	GPU 是否可用
直接 `pip install ultralytics`	pip 从 PyPI 拉取 CPU 版 PyTorch	❌ `torch.cuda.is_available()` = False
先装 GPU PyTorch，再装 Ultralytics	从官方索引安装 GPU 版；pip 检测已存在，跳过安装	✅ `torch.cuda.is_available()` = True

3 Pip 的依赖跳过机制

当环境中已安装 torch 时，pip install ultralytics 的内部逻辑：

解析 ultralytics 的依赖声明，识别需要 torch>=1.8.0。
检查当前环境中是否已安装 torch 且版本符合要求。
若满足条件：完全跳过 torch 和 torchvision 的下载与安装，直接使用已有版本。
仅安装 Ultralytics 自身及其他未满足的轻量级依赖。

4 标准正确安装流程

bash

# 第一步：安装 GPU 版 PyTorch（必须单独执行）
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu124

# 第二步：安装 Ultralytics（自动复用已安装的 PyTorch）
pip install ultralytics

总结：独立安装 PyTorch 并非冗余步骤，而是由于 PyPI 的大小限制导致 GPU 版必须从专属源获取。理解这一背景，是正确配置 YOLO 开发环境的关键前提。

openEuler 社区

openEuler 是由开放原子开源基金会孵化的全场景开源操作系统项目，面向数字基础设施四大核心场景（服务器、云计算、边缘计算、嵌入式），全面支持 ARM、x86、RISC-V、loongArch、PowerPC、SW-64 等多样性计算架构

更多推荐

HRTOS 官网首页正式升级：从实时内核到完整的 8051 实时系统开发体系

本文介绍 HRTOS 官方网站首页的最新升级。随着 HRTOS 持续完善，项目定位也从单一的 8051 实时操作系统内核，逐步扩展为以硬实时内核为核心、围绕 8051 单片机构建的完整实时系统开发体系。本文将介绍新版首页的设计思路、核心定位，以及 HRTOS 在内核、系统模块、驱动组件、开发文档和实验示例等方面的整体建设方向。

openEuler 社区

数据库教程FGMT02‑生产环境Linux+Oracle19c安装配置与项目实战

Oracle19c作为LTS长期支持版本，是当前企业生产环境部署最多的单机关系型数据库版本。Linux平台下Oracle19c标准化部署是DBA核心基础能力，部署过程涉及操作系统内核调优、用户权限管理、存储规划、软件部署、数据库创建、监听配置、初始化校验等完整流程。部署环节任何参数、权限、目录配置错误，都会引发数据库启动异常、性能劣化、业务连接故障等生产事故。风哥 itpux‑com。