YOLO12在Ubuntu20.04上的从零部署教程1. 开篇为什么选择YOLO12如果你正在寻找一个既快又准的目标检测模型YOLO12绝对值得一试。这个2025年发布的新模型采用了创新的注意力机制架构在保持实时推理速度的同时精度比之前的YOLO版本都有提升。最棒的是它支持目标检测、实例分割、图像分类、姿态估计和定向目标检测等多种计算机视觉任务。今天我就带你一步步在Ubuntu20.04系统上从零开始部署YOLO12无论你是Linux新手还是有一定经验的开发者都能跟着这个教程顺利完成部署。2. 环境准备与系统要求在开始之前我们先确认一下你的系统环境是否满足要求。YOLO12对硬件的要求相对友好但为了获得最佳性能还是建议使用合适的配置。2.1 硬件要求CPU支持AVX指令集的x86_64架构处理器内存至少8GB RAM推荐16GB以上GPU可选但如果有NVIDIA GPU会大幅提升性能支持CUDA的NVIDIA显卡GTX 10系列或更新GPU内存至少4GB处理大图像或批量推理时需要更多2.2 软件要求操作系统Ubuntu 20.04 LTS其他Linux发行版也可但本教程以Ubuntu为准Python3.8或更高版本CUDA如使用GPU11.7或11.8cuDNN如使用GPU与CUDA版本匹配3. 基础环境配置让我们从最基础的系统更新开始确保你的Ubuntu系统是最新的。3.1 系统更新与升级打开终端执行以下命令# 更新软件包列表 sudo apt update # 升级已安装的软件包 sudo apt upgrade -y # 安装必要的基础工具 sudo apt install -y wget curl git build-essential libssl-dev zlib1g-dev \ libncurses5-dev libreadline-dev libsqlite3-dev libgdbm-dev \ libdb5.3-dev libbz2-dev libexpat1-dev liblzma-dev tk-dev libffi-dev3.2 Python环境设置Ubuntu 20.04默认可能安装了Python 3.8但我们还是确认一下# 检查Python版本 python3 --version # 安装pip如果尚未安装 sudo apt install -y python3-pip # 升级pip到最新版本 python3 -m pip install --upgrade pip4. 安装NVIDIA驱动和CUDAGPU用户如果你有NVIDIA显卡并希望使用GPU加速这部分是必须的。如果没有GPU可以跳过这一节。4.1 安装NVIDIA驱动# 查看推荐的NVIDIA驱动版本 ubuntu-drivers devices # 安装推荐的驱动版本根据上一步的输出选择 sudo apt install -y nvidia-driver-535 # 或者安装最新版本的驱动 sudo ubuntu-drivers autoinstall # 重启系统使驱动生效 sudo reboot重启后验证驱动是否安装成功nvidia-smi你应该能看到GPU的信息和驱动版本。4.2 安装CUDA工具包# 下载并安装CUDA 11.8 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在安装过程中记得选择安装CUDA Toolkit但不要重复安装驱动如果已经安装了驱动。安装完成后将CUDA添加到环境变量# 编辑bashrc文件 echo export PATH/usr/local/cuda/bin:$PATH ~/.bashrc echo export LD_LIBRARY_PATH/usr/local/cuda/lib64:$LD_LIBRARY_PATH ~/.bashrc # 使环境变量生效 source ~/.bashrc # 验证CUDA安装 nvcc --version5. 创建Python虚拟环境为了避免包冲突我们为YOLO12创建一个独立的Python环境。# 安装virtualenv python3 -m pip install virtualenv # 创建名为yolo12的虚拟环境 python3 -m virtualenv yolo12_env # 激活虚拟环境 source yolo12_env/bin/activate激活后你的终端提示符前应该会出现(yolo12_env)表示已经在虚拟环境中。6. 安装YOLO12依赖包现在我们来安装YOLO12运行所需的所有Python包。# 安装PyTorch根据你的CUDA版本选择 # 对于CUDA 11.8 pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118 # 如果没有GPU安装CPU版本 # pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cpu # 安装ultralytics包YOLO12的实现 pip install ultralytics # 安装其他可能需要的依赖 pip install opencv-python pillow matplotlib seaborn pandas7. 验证YOLO12安装安装完成后让我们写一个简单的测试脚本来验证一切是否正常。创建文件test_yolo12.pyfrom ultralytics import YOLO import cv2 import numpy as np # 创建一个简单的测试图像 test_image np.random.randint(0, 255, (640, 640, 3), dtypenp.uint8) # 尝试加载YOLO12模型会自动下载预训练权重 try: model YOLO(yolo12n.pt) print(✅ YOLO12模型加载成功) # 进行简单的推理测试 results model(test_image, verboseFalse) print(✅ 推理测试成功) print(f检测到 {len(results[0].boxes)} 个目标) except Exception as e: print(f❌ 出现错误: {e})运行测试脚本python test_yolo12.py如果一切正常你应该看到模型开始下载第一次运行时会自动下载预训练权重然后成功完成推理测试。8. 常见问题解决在部署过程中可能会遇到一些问题这里列出一些常见问题及解决方法。8.1 模型下载缓慢或失败由于网络原因模型文件下载可能会很慢。你可以手动下载# 手动下载YOLO12n模型 wget https://github.com/ultralytics/assets/releases/download/v0.0.0/yolo12n.pt # 然后放在正确的位置 mkdir -p ~/.cache/ultralytics/hub mv yolo12n.pt ~/.cache/ultralytics/hub/8.2 CUDA相关错误如果遇到CUDA错误首先确认CUDA是否正确安装# 检查CUDA版本 nvcc --version # 检查PyTorch是否能识别CUDA python -c import torch; print(torch.cuda.is_available())如果PyTorch无法识别CUDA可能需要重新安装与CUDA版本匹配的PyTorch。8.3 内存不足错误如果遇到内存不足的错误可以尝试使用更小的模型或减小图像尺寸# 使用更小的模型 model YOLO(yolo12n.pt) # 而不是yolo12x.pt # 减小推理时的图像尺寸 results model(image.jpg, imgsz320) # 默认是6409. 实际使用示例现在让我们用YOLO12做一些实际的检测任务。9.1 图像目标检测from ultralytics import YOLO from PIL import Image import matplotlib.pyplot as plt # 加载模型 model YOLO(yolo12n.pt) # 进行检测 results model(path/to/your/image.jpg) # 显示结果 for result in results: im_array result.plot() # 绘制检测结果的numpy数组 im Image.fromarray(im_array[..., ::-1]) # RGB转BGR im.show() # 显示图像9.2 实时摄像头检测import cv2 from ultralytics import YOLO # 加载模型 model YOLO(yolo12n.pt) # 打开摄像头 cap cv2.VideoCapture(0) while True: ret, frame cap.read() if not ret: break # 进行检测 results model(frame, verboseFalse) # 绘制检测结果 annotated_frame results[0].plot() # 显示结果 cv2.imshow(YOLO12 Detection, annotated_frame) # 按q退出 if cv2.waitKey(1) 0xFF ord(q): break cap.release() cv2.destroyAllWindows()10. 使用心得和建议经过实际测试YOLO12在Ubuntu20.04上的部署还是比较顺利的。整体来说有这几个体会部署过程比想象中简单主要是Python环境的配置和依赖安装。如果遇到网络问题手动下载模型文件往往能解决大部分下载失败的情况。性能方面在CPU上运行速度尚可但有GPU的话速度提升非常明显特别是处理视频或批量图像时。建议新手先从YOLO12n这种小模型开始尝试等熟悉了再尝试更大的模型。记得定期更新ultralytics包因为这类项目更新比较频繁新版本往往会修复一些已知问题。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。