1. 环境准备从零开始的GPU环境搭建刚拿到一台新装的Ubuntu 20.04机器时我总会先做两件事更新系统补丁和检查硬件配置。这个习惯帮我避开了不少坑特别是当你准备跑YOLOv11这种吃显存的模型时。先打开终端执行这个基础检查命令sudo apt update sudo apt upgrade -y lspci | grep -i nvidia如果能看到NVIDIA显卡型号比如RTX 3090说明硬件识别正常。但这时候运行nvidia-smi大概率会报错因为还没装驱动。这里有个细节要注意Ubuntu默认的nouveau开源驱动会和NVIDIA官方驱动冲突需要先禁用。我常用的方法是创建黑名单文件sudo bash -c echo blacklist nouveau /etc/modprobe.d/blacklist-nvidia-nouveau.conf sudo bash -c echo options nouveau modeset0 /etc/modprobe.d/blacklist-nvidia-nouveau.conf然后更新initramfs并重启sudo update-initramfs -u sudo reboot重启后验证nouveau是否禁用成功lsmod | grep nouveau如果没有任何输出就可以继续安装官方驱动了。1.1 显卡驱动安装避坑指南很多教程会直接让你用ubuntu-drivers devices自动推荐驱动版本但实测这个方法在Ubuntu 20.04上容易翻车。我遇到过好几次推荐版本安装后报No devices were found的情况。更稳妥的做法是去NVIDIA官网查兼容性列表。以RTX 30系显卡为例执行以下命令查看推荐驱动版本sudo add-apt-repository ppa:graphics-drivers/ppa sudo apt update ubuntu-drivers devices假设输出推荐的是nvidia-driver-535别急着安装先到NVIDIA官网确认这个版本是否支持你的显卡型号。我去年用RTX 4090时就踩过坑535驱动根本不支持40系显卡。更安全的安装方式是sudo apt install nvidia-driver-535-server注意这个-server版本它比普通版更稳定。安装完成后一定要重启sudo reboot验证驱动是否生效nvidia-smi正常应该看到显卡信息和驱动版本号。如果还报错试试这个终极解决方案sudo prime-select nvidia sudo reboot2. CUDA工具链的精准安装选CUDA版本是个技术活太新可能不兼容PyTorch太旧又用不了新特性。经过多次实测我总结出一个版本匹配表PyTorch版本推荐CUDA版本备注2.011.7/11.8最稳定组合1.1211.3老项目兼容方案最新nightly12.x尝鲜但可能有兼容问题对于YOLOv11我推荐用CUDA 11.8。安装时千万别直接下runfile用deb方式更干净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 sudo apt-key adv --fetch-keys https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2004/x86_64/3bf863cc.pub sudo add-apt-repository deb https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2004/x86_64/ / sudo apt-get update sudo apt-get -y install cuda-11-8安装完成后要设置环境变量。这里有个常见误区很多人直接改/etc/profile其实应该改用户级的.bashrcecho export PATH/usr/local/cuda-11.8/bin:$PATH ~/.bashrc echo export LD_LIBRARY_PATH/usr/local/cuda-11.8/lib64:$LD_LIBRARY_PATH ~/.bashrc source ~/.bashrc验证安装nvcc --version如果显示版本号但后续步骤报错可能是符号链接问题。检查一下ls -l /usr/local/cuda应该指向你安装的具体版本比如cuda-11.8如果不是就手动创建软链sudo ln -sf /usr/local/cuda-11.8 /usr/local/cuda3. cuDNN的隐藏陷阱与正确姿势cuDNN的安装看似简单实则暗藏杀机。首先要注意版本匹配这里有个容易忽略的点cuDNN的版本号由三部分组成如8.9.7但PyTorch通常只认前两位8.9。下载cuDNN需要注册NVIDIA开发者账号建议选择Local Installer for Ubuntu20.04 x86_64的deb包。安装步骤sudo dpkg -i libcudnn8_8.9.7.29-1cuda11.8_amd64.deb sudo dpkg -i libcudnn8-dev_8.9.7.29-1cuda11.8_amd64.deb sudo dpkg -i libcudnn8-samples_8.9.7.29-1cuda11.8_amd64.deb安装后验证这是大多数教程没提到的关键步骤cp -r /usr/src/cudnn_samples_v8/ $HOME cd $HOME/cudnn_samples_v8/mnistCUDNN make clean make ./mnistCUDNN如果看到Test passed!才算真正安装成功。常见问题排查如果报error while loading shared libraries执行sudo ldconfig遇到版本冲突时彻底卸载旧版本sudo apt purge libcudnn*4. PyTorch与YOLOv11的完美组合现在来到最关键的环节。很多人在PyTorch官网直接用pip安装结果发现CUDA不可用。这是因为默认安装的可能是CPU版本。正确的安装姿势pip install torch torchvision --extra-index-url https://download.pytorch.org/whl/cu118验证安装时别只用简单的import torch要完整测试CUDA功能import torch print(torch.__version__) print(torch.cuda.is_available()) # 应该返回True print(torch.cuda.get_device_name(0)) # 显示你的显卡型号 x torch.randn(3,3).cuda() print(x.device) # 应该显示cuda:0如果遇到CUDA initialization错误可能是环境变量问题。试试这个万能解决方案export CUDA_HOME/usr/local/cuda-11.8 export LD_LIBRARY_PATH$CUDA_HOME/lib64:$LD_LIBRARY_PATH最后部署YOLOv11时注意这两个关键参数在detect.py中设置device0明确指定GPU如果遇到内存不足调整--img-size参数比如从640改为320一个实用的启动命令示例python detect.py --weights yolov11.pt --source 0 --device 0 --img-size 640 --conf-thres 0.5我在RTX 3090上实测发现YOLOv11的推理速度比v5快约15%但显存占用也更高。如果遇到内存溢出可以尝试这个技巧torch.backends.cudnn.benchmark True # 在代码开头添加这行