从零开始配过几套深度学习环境之后你会发现YOLOv8的环境配置卡住人的地方往往不是YOLOv8本身而是它底下的PyTorch、CUDA、Python版本这一串“配套零件”之间的排列组合。这个系列前面我们已经把Python、Anaconda和基础工具链理清了这篇就专门把YOLOv8安装这最后一步一次性讲透从创建一个干净的虚拟环境开始到跑通第一张图片的检测推理为止直接把能用的命令、该避的坑全部摆出来。这篇文章适合刚把Anaconda装好、打算正经训练自己数据集的新手也适合已经在其他框架比如TensorFlow、PaddlePaddle里待过、想快速迁移到YOLOv8的老手。核心任务只有一个让ultralytics这个包在你的电脑上稳定跑起来并且让YOLOv8真的调用GPU做推理而不是在CPU上“能用但慢得离谱”。1. 动手前先理清环境配置的整体路径为什么YOLOv8对环境有要求很多人一上来就pip install ultralytics装完发现各种报错接着又去百度“如何安装YOLOv8”越搜越乱。问题出在你根本没搞懂YOLOv8和它运行环境之间的关系。1.1 YOLOv8本体只是ultralytics一个包难点其实在“配套环境”YOLOv8是Ultralytics公司开源的视觉检测框架安装层面它的核心就是一个Python包名字叫ultralytics。你在终端里执行pip install ultralytics装的就是它。这个包属于“开箱即用”的类型API封装得很友好几行代码就能完成目标检测、分割、分类。但ultralytics本身不干活它底层依赖一堆科学计算库尤其是torchPyTorch。PyTorch是真正负责张量计算和深度神经网络前向/反向传播的引擎而PyTorch要想调用GPU又必须跟你电脑上的显卡驱动、CUDA运行时版本匹配。所以严格来说YOLOv8安装过程由三个层级组成底层显卡驱动 CUDA不是必须手动装CUDAPyTorch自带一部分运行时中层PyTorchCPU版或GPU版顶层ultralytics包以及它的依赖opencv-python、numpy、matplotlib、pandas等只要底层和中层配错顶层怎么折腾都没用。1.2 判断你的显卡该配哪套CUDA/PyTorch组合装PyTorch之前先搞清楚自己电脑的GPU是什么型号。打开任务管理器Windows或者系统信息找到显卡这一项就行。常见的有三种情况NVIDIA显卡GTX 10系、16系、20系、30系、40系、50系这是深度学习的主流选择支持CUDA加速本文的GPU配置主要针对这类用户。AMD显卡在深度学习领域支持相对麻烦需要ROCmLinux下或者DirectML后端YOLOv8虽然能跑但体验不如NVIDIA顺畅。无独立显卡 / 核显Intel UHD、AMD Radeon集成显卡只能放弃GPU加速老老实实装CPU版PyTorch小图和中等模型还能跑但训练大模型基本不用想了。确定了NVIDIA显卡之后还要看显卡型号对应的算力版本。RTX 30系/40系显卡用CUDA 11.8或者CUDA 12.1都没问题PyTorch官方都提供了对应的预编译包。如果用的是RTX 50系显卡比如热搜里那个5060注意了这类新卡需要CUDA 12.4以上PyTorch版本也必须够新2.6及以上否则装了旧版PyTorch会报no kernel image is available。一个我实测很稳的组合新手可以直接抄Python 3.10 CUDA 11.8 PyTorch 2.1.x ultralytics 8.x。这套组合在GTX 1660Ti、RTX 3060、RTX 4060上跑YOLOv8n/yolov8s都没有兼容性问题。如果你的显卡是50系那建议直接用PyTorch 2.6.0 CUDA 12.4的组合。1.3 理清Anaconda、Python、CUDA、PyTorch和ultralytics的关系这五个名词是新手最容易搞混的。我用大白话给你串一遍Python解释器负责运行你用Python写的代码。AnacondaPython的发行版管理工具它能创建多个互不干扰的Python环境虚拟环境并且在每个环境里独立管理Python版本和第三方包。相当于给每个项目开了一个独立的“房间”。CUDANVIDIA显卡的并行计算平台。显卡驱动是硬件和系统之间的桥梁CUDA是在驱动之上提供给开发者的计算API。PyTorch基于CUDA的深度学习框架它封装好了神经网络的张量计算、自动求导等核心功能。ultralytics基于PyTorch实现的YOLOv8工具包你直接调用它来加载模型、做推理、做训练。这五者的依赖方向是ultralytics → PyTorch → CUDA → 显卡驱动Anaconda则像一个隔离舱把上面这些东西打包在一个独立环境里避免跟电脑上其他项目的Python包打架。注意网上很多教程让你先去NVIDIA官网手动下载CUDA Toolkit安装包然后再装PyTorch。其实对于大多数YOLOv8用户来说这一步是多余的。PyTorch的pip安装包自带CUDA运行时cudart、cublas等只要显卡驱动版本够新直接装PyTorch官方预编译包就够了不用手动装CUDA Toolkit。只有一种情况需要手动装CUDA你要用NVIDIA官方的TensorRT做部署加速或者编译部分自定义算子时报缺少nvcc。2. 环境预检清单用几段命令核实电脑与Python环境现状开始安装之前花三分钟确认电脑的现状。跳过这一步的人通常会在后面遇到“明明装了CUDA为什么PyTorch里显示不可用”的问题。2.1 查看显卡型号和驱动版本Windows下按Win R输入dxdiag在“显示”选项卡里能看到完整的显卡型号和驱动版本。但更直接的方式是用NVIDIA自带的命令行工具打开终端cmd或PowerShell执行nvidia-smi如果提示nvidia-smi 不是内部或外部命令大概率是NVIDIA驱动没装或者显卡不在NVIDIA的范畴里。nvidia-smi输出的右上角会显示驱动版本Driver Version和CUDA版本CUDA Version。这里有个很关键的认知点nvidia-smi显示的CUDA Version是当前驱动支持的最高CUDA版本不代表你已经装了这个版本的CUDA Toolkit。驱动版本必须是向下兼容的比如驱动显示最高支持CUDA 12.2那么你装CUDA 11.8或12.1版本的PyTorch都没问题。如果驱动太老比如只支持CUDA 11.4那装PyTorch 12.1就会在推理时报错。2.2 检查Python版本打开终端执行python --version如果你已经按照本系列前面的教程安装了Anaconda那么这里的python可能是Anaconda自带的基础环境Python。没关系我们后面会为YOLOv8单独创建虚拟环境所以现在这个Python版本不需要太纠结。另外确认一下pip能正常用pip --version如果在cmd里直接输入pip提示找不到去Anaconda Powershell Prompt里操作或者检查是否把Anaconda的Scripts目录加到了系统PATH里。2.3 检查是否已存在Anaconda或Conda终端执行conda --version能正常输出版本号说明Anaconda或Miniconda已经正确安装。如果提示找不到conda你需要回到这个系列的第一篇先把Anaconda装好并配置好环境变量。检查项命令期望结果NVIDIA驱动与支持的CUDA版本nvidia-smi显示显卡型号、驱动版本、右上角CUDA版本Python版本python --version输出3.8或更高版本pip可用性pip --version输出pip版本信息conda可用性conda --version输出conda版本信息这四步检查全部通过就可以放心进入下一步了。哪一项没通过就先解决哪一项不然带着问题往下装最后的报错会让你很难定位根因。3. 创建独立的YOLOv8虚拟环境为什么强烈建议单独建环境这一步是很多新手最容易偷懒但最不该偷懒的地方。直接用基础环境装YOLOv8短期内好像没什么问题但等你再装其他项目比如Stable Diffusion、ComfyUI、某个老项目依赖Python 3.7时版本冲突会让你怀疑人生。3.1 虚拟环境到底是什么、避免什么Anaconda的虚拟环境本质上是把Python解释器、pip、各种第三方包目录隔离成独立的一套文件夹。你在环境A里把某个包升级到新版本不影响环境B里该包的旧版本。这就像一栋楼里有多个独立房间每个房间配置不同家具互不干扰。YOLOv8对Python版本的要求是3.8以上但经过社区大量验证Python 3.10是兼容性和生态支持最均衡的版本。3.12、3.13刚发布时部分PyTorch老版本还不支持容易踩坑。所以我直接建议创建Python 3.10的虚拟环境。3.2 conda create 命令详解打开终端Windows下推荐使用Anaconda PromptLinux/macOS直接开终端执行conda create -n yolov8 python3.10 -y解释一下这条命令的含义-n yolov8给这个新环境起名为yolov8你可以换成任何你喜欢的名字比如det、dl但建议尽量简短且用英文。python3.10指定环境内的Python版本为3.10conda会自动拉取对应版本的Python解释器。-y跳过安装确认直接执行。创建完成后激活环境conda activate yolov8激活成功后终端命令行的最前面会出现(yolov8)字样这就说明你已经进入了新环境。这时候再执行python --version显示的应该是Python 3.10.x。3.3 为conda环境配置pip镜像源可选但强烈建议在国内网络环境下直接pip下载PyTorch和ultralytics的依赖包速度可能非常不稳定甚至超时。建议先给pip配置一个可信的镜像源。这里用清华源为例pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple配置完之后后续在该环境里pip install都会自动走镜像下载速度明显提升。如果你不想全局配置也可以在每次pip install命令后面追加-i https://pypi.tuna.tsinghua.edu.cn/simple两种方式效果一样。注意这一步只是为了加速Python第三方包如opencv、numpy、torch等的下载跟后续提到的模型权重下载不是一回事。模型权重从GitHub上的Ultralytics仓库下载走的是另一条链路。4. 安装PyTorch并确认GPU可用这是整个环境配置里最核心也最容易出错的一步。PyTorch版本装对了YOLOv8就成功了80%。4.1 用官方命令还是指定CUDA版本PyTorch官网pytorch.org会根据你的操作系统和包管理工具自动给出安装命令。比如选择Linux pip CUDA 11.8官网会给出pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118这里有三个包torch主框架、torchvision视觉相关工具库YOLOv8的数据增强和部分算子依赖它、torchaudio音频库YOLOv8不直接依赖它但它是PyTorch生态的标准三件套一起装没坏处。如果你选择了CPU版本那就是pip install torch torchvision torchaudio不带--index-url参数默认从PyPI安装的就是CPU版Windows下如此。CPU版能跑YOLOv8只是速度慢。问题来了怎么判断该装哪个CUDA版本的PyTorch查驱动支持的最高CUDA版本nvidia-smi右上角那个数字。如果驱动支持CUDA 11.8及以上建议用cu118版本兼容性好。如果是新卡RTX 40系/50系可以选cu121或者cu124版本。4.2 实测稳定的PyTorch安装组合下面几套组合是我在不同机器上实测稳定复现的贴出来供你直接参考显卡类型推荐PyTorch安装命令说明GTX 10系/16系pip install torch2.1.2 torchvision0.16.2 --index-url https://download.pytorch.org/whl/cu118老卡中稳如泰山的组合RTX 20系/30系pip install torch2.1.2 torchvision0.16.2 --index-url https://download.pytorch.org/whl/cu118同样可用RTX 40系pip install torch torchvision --index-url https://download.pytorch.org/whl/cu121推荐CUDA 12.1RTX 50系pip install torch torchvision --index-url https://download.pytorch.org/whl/cu124需要PyTorch 2.6第一次下载PyTorch的包比较大CUDA版torch大约2-3GB耐心等待即可。如果下载到一半网络断了重跑一遍同一个命令pip有缓存机制会断点续传。4.3 验证PyTorch能否调用GPU装完之后别急着装YOLOv8先验证这一步。在终端里进入Python交互模式python然后在Python提示符下输入import torch print(torch.__version__) print(torch.cuda.is_available())如果torch.cuda.is_available()输出True恭喜GPU环境已经就绪。如果输出False看下面几个可能原因装的是CPU版PyTorch最常见。显卡驱动版本过旧需要去NVIDIA官网更新驱动。显卡不是NVIDIA的比如AMD的卡CUDA本身不可用。再确认一下GPU的实际名称print(torch.cuda.get_device_name(0))能输出版本号和显卡名称说明PyTorch已经完整检测到GPU。到这里整个环境配置最难的部分就过了。经验分享很多新手验证GPU时发现torch.cuda.is_available()输出False第一反应是重装PyTorch。其实先跑一下nvidia-smi看看驱动版本如果驱动太老更新一下驱动往往就能解决不用重装任何东西。5. 安装YOLOv8本体ultralytics包PyTorch搞定之后安装YOLOv8本体就是一个普通的pip操作。5.1 pip install ultralytics 一行搞定保持yolov8虚拟环境处于激活状态执行pip install ultralytics这个命令会自动安装ultralytics以及它声明的所有依赖包括但不限于opencv-python图像读写和预处理numpy数组运算matplotlib可视化pandas数据处理pillow图像处理pyyaml配置文件解析tqdm进度条如果你在安装过程中遇到某个依赖编译失败比如没有安装Microsoft C Build Tools绝大多数情况下是这个依赖版本太新、跟Python 3.10不兼容。解决办法是指定一个兼容版本比如pip install ultralytics8.2.0这个版本在社区里验证量很大Bug相对较少新手用它踩坑率最低。5.2 源码安装方式与Git Clone什么时候需要源码安装pip安装的是发布版release足够日常使用。但有一类用户需要源码安装——你想修改YOLOv8内部的网络结构做改进热搜词里就有“yolov8改进”或者想用官方GitHub仓库里还没发版的新功能。源码安装的步骤git clone https://github.com/ultralytics/ultralytics.git cd ultralytics pip install -e .pip install -e .的意思是“可编辑安装”你修改本地源码后不需要重新安装改动立即生效。这对搞科研/做改进的人非常有用。但如果你只是想把YOLOv8跑起来训练自己的数据集源码安装和pip安装对使用方式没有影响。也就是说不管哪种方式装的导入方式都是from ultralytics import YOLO。5.3 验证安装成功import ultralytics查看版本装完后在Python里执行import ultralytics ultralytics.checks()ultralytics.checks()会输出环境信息包括Python版本、PyTorch版本、CUDA是否可用、GPU名称等并且会提示安装缺失的可选依赖。看到没有红色报错说明安装成功。这一步还有一个更快捷的验证方式直接在终端执行yolo命令yolo能正常输出YOLO命令的帮助信息说明命令行工具也装好了。后续你会经常用到yolo predict、yolo train这类命令行指令虽然用Python代码调用更灵活但命令行在某些自动化场景下更方便。6. 验证安装全靠一次真实推理跑通官方Demo环境配没配好不是看版本号而是看模型能不能在一张真实图片上完成推理。这是整篇文章的验收环节。6.1 官方示例代码解释在终端里进入Python或者新建一个test_yolov8.py文件写入以下代码from ultralytics import YOLO # 加载预训练模型 model YOLO(yolov8n.pt) # 对图片进行推理 results model(https://ultralytics.com/images/bus.jpg) # 遍历结果并展示 for r in results: r.show()这段代码做了三件事YOLO(yolov8n.pt)加载YOLOv8的nano版本预训练权重。pt说明是由PyTorch保存的权重文件。model(https://ultralytics.com/images/bus.jpg)对一张官网示例图片进行推理。这个网络路径会先下载图片到本地缓存再读取推理。模型推理时会自动把图像缩放到模型输入尺寸默认640x640然后输出检测框。r.show()把检测结果可视化弹出一个窗口显示检测框、类别和置信度。如果不想弹窗可以用r.save()替代r.show()结果图会保存在当前目录下的runs/detect/predict文件夹里。6.2 模型权重自动下载流程第一次执行YOLO(yolov8n.pt)时如果当前目录下没有这个文件ultralytics会自动从GitHub Releases下载。下载过程会在终端显示进度条。如果你的网络环境不太理想下载权重经常失败进度条卡在半路或者超时可以手动下载权重文件然后放到当前工作目录下。权重文件的下载地址对应关系如下模型权重文件名大小说明YOLOv8nyolov8n.pt约6MB速度最快精度较低适合快速验证YOLOv8syolov8s.pt约22MB速度和精度平衡YOLOv8myolov8m.pt约49MB精度更高YOLOv8lyolov8l.pt约83MB更重的模型YOLOv8xyolov8x.pt约130MB精度最高要求显存高对于第一次跑通环境用yolov8n.pt就够了因为下载快、推理快能快速确认整条链路是通的。等你要训自己的数据集时再根据任务难度选择更大的模型。yolov8n里的“n”是nano微型的意思整个模型参数量只有约315万在GPU上推理一张640x640的图片通常只需要几十毫秒CPU上也就一两秒非常适合环境验证。6.3 图像/视频/摄像头三种推理方式除了对本地图片推理YOLOv8支持多种输入方式。日常使用中这三种最常用from ultralytics import YOLO model YOLO(yolov8n.pt) # 1. 本地图片 results model(bus.jpg) # 2. 视频文件 results model(test.mp4, saveTrue) # 3. 摄像头实时检测 results model(0, showTrue)摄像头输入的参数0代表调用电脑的第一个摄像头。这个功能很适合快速做一个Demo演示实时目标检测的感觉非常直观。视频推理时加上saveTrue参数检测结果会自动生成一个标注过的视频文件存放在runs/detect目录下。6.4 推理结果怎么看推理完成后终端会输出类似这样的信息image 1/1 /path/to/bus.jpg: 640x640 4 persons, 1 bus, 1 tie Done. (0.082s)数字的含义是在bus.jpg这张图中检测到了4个人persons、1辆公交车bus、1条领带tie。0.082秒是GPU推理耗时。如果你看到检测结果里有人和公交车说明模型加载、图片预处理、前向传播、后处理全链路都正常环境配置到此彻底结束。如果你用的是CPU跑推理时间可能是0.5秒到2秒这个差别非常直观地体现了GPU加速的价值。7. 高频踩坑排查与应对实测总结前面几步都很顺利的话你大概率已经跑通了。但如果你在某个环节卡住下面这份排查清单是按真实踩坑频率排的直接对着找就行。7.1 No module named ultralytics基本原因只有一个你不在之前创建的那个虚拟环境里。打开终端确认命令行开头有(yolov8)字样。如果没有执行conda activate yolov8。还有一种情况你在PyCharm里运行时提示找不到ultralytics说明PyCharm解释器没有选对。去File - Settings - Project - Python Interpreter里把解释器换成你创建的那个yolov8环境的Python路径通常在Anaconda安装目录下的envs/yolov8/python.exe。7.2 CUDA error: no kernel image is available for execution on the device这个报错的意思很明确当前的PyTorch版本不支持你这张显卡。最常见于新显卡RTX 50系配了旧PyTorch版本或者老显卡GTX 16系之前配了太新的CUDA版本。解决办法是卸载重装PyTorch切换到与你显卡匹配的CUDA版本。pip uninstall torch torchvision -y pip install torch torchvision --index-url https://download.pytorch.org/whl/cu1247.3 下载权重失败或卡在Download Progress因为权重从GitHub Releases下载网络不稳定时可能出现进度条不动或者直接抛异常。解决办法手动用浏览器下载对应权重文件。把下载好的.pt文件放在你执行Python命令的那个目录下。重新执行model YOLO(yolov8n.pt)此时因为本地文件已存在不会再触发下载。7.4 RuntimeError: CUDA out of memory推理一般不会爆显存nano模型大约只要几百MB显存但训练时很容易爆。如果出现OOMout of memory从这几个方向调减小batch size比如从默认的16改成8甚至4。减小输入图片尺寸imgsz比如从640改成480。换更小的模型比如用yolov8n替代yolov8s。开启梯度累积参数accumulate这等于用时间换显存空间。7.5 Python版本与PyTorch版本不兼容如果你用的Python是3.12以上版本老版本PyTorch可能没有对应预编译包pip安装时会尝试从源码编译那个过程非常慢且大概率失败。建议把虚拟环境的Python版本固定在3.10这是目前PyTorch和ultralytics兼容性最好的版本。重建环境不麻烦conda deactivate conda remove -n yolov8 --all conda create -n yolov8 python3.10 -y conda activate yolov87.6 OpenCV相关报错如cv2 has no attributeultralytics会自动安装opencv-python。如果你电脑上之前装过老版本OpenCV可能被覆盖或者版本冲突。解决办法是在yolov8环境里强制重装pip install --upgrade opencv-python尽量避免在多个环境混用OpenCV的低级包opencv-contrib-python和opencv-python这两个库同时存在会引发奇怪的符号覆盖问题。7.7 摄像头推理时图像是黑的笔记本摄像头在部分Windows驱动下兼容性一般。检查系统是否把摄像头权限关闭了在设置 - 隐私 - 摄像头里确认允许应用访问摄像头。如果你用的是台式机外接USB摄像头重新插拔一下并确认摄像头能正常被其他软件如相机应用识别。我在实际配环境的过程中最深的感受是YOLOv8安装本身并不复杂大部分时间都花在“版本匹配”上。只要把Python 3.10、PyTorch的CUDA版本、显卡驱动这三者的关系理顺后面的流程基本都是水到渠成。如果你用的显卡不是特别奇葩的型号直接套用我上面给的组合大概率一次就能跑通。最后再分享一个小技巧每次给项目配完环境建议顺手执行一下pip freeze requirements.txt把当前环境的所有包版本固化下来。以后换电脑、帮朋友配环境直接pip install -r requirements.txt就全部还原了。这个习惯能帮你省掉很多重复踩坑的时间。
YOLOv8环境配置完全指南：从虚拟环境到GPU推理
从零开始配过几套深度学习环境之后你会发现YOLOv8的环境配置卡住人的地方往往不是YOLOv8本身而是它底下的PyTorch、CUDA、Python版本这一串“配套零件”之间的排列组合。这个系列前面我们已经把Python、Anaconda和基础工具链理清了这篇就专门把YOLOv8安装这最后一步一次性讲透从创建一个干净的虚拟环境开始到跑通第一张图片的检测推理为止直接把能用的命令、该避的坑全部摆出来。这篇文章适合刚把Anaconda装好、打算正经训练自己数据集的新手也适合已经在其他框架比如TensorFlow、PaddlePaddle里待过、想快速迁移到YOLOv8的老手。核心任务只有一个让ultralytics这个包在你的电脑上稳定跑起来并且让YOLOv8真的调用GPU做推理而不是在CPU上“能用但慢得离谱”。1. 动手前先理清环境配置的整体路径为什么YOLOv8对环境有要求很多人一上来就pip install ultralytics装完发现各种报错接着又去百度“如何安装YOLOv8”越搜越乱。问题出在你根本没搞懂YOLOv8和它运行环境之间的关系。1.1 YOLOv8本体只是ultralytics一个包难点其实在“配套环境”YOLOv8是Ultralytics公司开源的视觉检测框架安装层面它的核心就是一个Python包名字叫ultralytics。你在终端里执行pip install ultralytics装的就是它。这个包属于“开箱即用”的类型API封装得很友好几行代码就能完成目标检测、分割、分类。但ultralytics本身不干活它底层依赖一堆科学计算库尤其是torchPyTorch。PyTorch是真正负责张量计算和深度神经网络前向/反向传播的引擎而PyTorch要想调用GPU又必须跟你电脑上的显卡驱动、CUDA运行时版本匹配。所以严格来说YOLOv8安装过程由三个层级组成底层显卡驱动 CUDA不是必须手动装CUDAPyTorch自带一部分运行时中层PyTorchCPU版或GPU版顶层ultralytics包以及它的依赖opencv-python、numpy、matplotlib、pandas等只要底层和中层配错顶层怎么折腾都没用。1.2 判断你的显卡该配哪套CUDA/PyTorch组合装PyTorch之前先搞清楚自己电脑的GPU是什么型号。打开任务管理器Windows或者系统信息找到显卡这一项就行。常见的有三种情况NVIDIA显卡GTX 10系、16系、20系、30系、40系、50系这是深度学习的主流选择支持CUDA加速本文的GPU配置主要针对这类用户。AMD显卡在深度学习领域支持相对麻烦需要ROCmLinux下或者DirectML后端YOLOv8虽然能跑但体验不如NVIDIA顺畅。无独立显卡 / 核显Intel UHD、AMD Radeon集成显卡只能放弃GPU加速老老实实装CPU版PyTorch小图和中等模型还能跑但训练大模型基本不用想了。确定了NVIDIA显卡之后还要看显卡型号对应的算力版本。RTX 30系/40系显卡用CUDA 11.8或者CUDA 12.1都没问题PyTorch官方都提供了对应的预编译包。如果用的是RTX 50系显卡比如热搜里那个5060注意了这类新卡需要CUDA 12.4以上PyTorch版本也必须够新2.6及以上否则装了旧版PyTorch会报no kernel image is available。一个我实测很稳的组合新手可以直接抄Python 3.10 CUDA 11.8 PyTorch 2.1.x ultralytics 8.x。这套组合在GTX 1660Ti、RTX 3060、RTX 4060上跑YOLOv8n/yolov8s都没有兼容性问题。如果你的显卡是50系那建议直接用PyTorch 2.6.0 CUDA 12.4的组合。1.3 理清Anaconda、Python、CUDA、PyTorch和ultralytics的关系这五个名词是新手最容易搞混的。我用大白话给你串一遍Python解释器负责运行你用Python写的代码。AnacondaPython的发行版管理工具它能创建多个互不干扰的Python环境虚拟环境并且在每个环境里独立管理Python版本和第三方包。相当于给每个项目开了一个独立的“房间”。CUDANVIDIA显卡的并行计算平台。显卡驱动是硬件和系统之间的桥梁CUDA是在驱动之上提供给开发者的计算API。PyTorch基于CUDA的深度学习框架它封装好了神经网络的张量计算、自动求导等核心功能。ultralytics基于PyTorch实现的YOLOv8工具包你直接调用它来加载模型、做推理、做训练。这五者的依赖方向是ultralytics → PyTorch → CUDA → 显卡驱动Anaconda则像一个隔离舱把上面这些东西打包在一个独立环境里避免跟电脑上其他项目的Python包打架。注意网上很多教程让你先去NVIDIA官网手动下载CUDA Toolkit安装包然后再装PyTorch。其实对于大多数YOLOv8用户来说这一步是多余的。PyTorch的pip安装包自带CUDA运行时cudart、cublas等只要显卡驱动版本够新直接装PyTorch官方预编译包就够了不用手动装CUDA Toolkit。只有一种情况需要手动装CUDA你要用NVIDIA官方的TensorRT做部署加速或者编译部分自定义算子时报缺少nvcc。2. 环境预检清单用几段命令核实电脑与Python环境现状开始安装之前花三分钟确认电脑的现状。跳过这一步的人通常会在后面遇到“明明装了CUDA为什么PyTorch里显示不可用”的问题。2.1 查看显卡型号和驱动版本Windows下按Win R输入dxdiag在“显示”选项卡里能看到完整的显卡型号和驱动版本。但更直接的方式是用NVIDIA自带的命令行工具打开终端cmd或PowerShell执行nvidia-smi如果提示nvidia-smi 不是内部或外部命令大概率是NVIDIA驱动没装或者显卡不在NVIDIA的范畴里。nvidia-smi输出的右上角会显示驱动版本Driver Version和CUDA版本CUDA Version。这里有个很关键的认知点nvidia-smi显示的CUDA Version是当前驱动支持的最高CUDA版本不代表你已经装了这个版本的CUDA Toolkit。驱动版本必须是向下兼容的比如驱动显示最高支持CUDA 12.2那么你装CUDA 11.8或12.1版本的PyTorch都没问题。如果驱动太老比如只支持CUDA 11.4那装PyTorch 12.1就会在推理时报错。2.2 检查Python版本打开终端执行python --version如果你已经按照本系列前面的教程安装了Anaconda那么这里的python可能是Anaconda自带的基础环境Python。没关系我们后面会为YOLOv8单独创建虚拟环境所以现在这个Python版本不需要太纠结。另外确认一下pip能正常用pip --version如果在cmd里直接输入pip提示找不到去Anaconda Powershell Prompt里操作或者检查是否把Anaconda的Scripts目录加到了系统PATH里。2.3 检查是否已存在Anaconda或Conda终端执行conda --version能正常输出版本号说明Anaconda或Miniconda已经正确安装。如果提示找不到conda你需要回到这个系列的第一篇先把Anaconda装好并配置好环境变量。检查项命令期望结果NVIDIA驱动与支持的CUDA版本nvidia-smi显示显卡型号、驱动版本、右上角CUDA版本Python版本python --version输出3.8或更高版本pip可用性pip --version输出pip版本信息conda可用性conda --version输出conda版本信息这四步检查全部通过就可以放心进入下一步了。哪一项没通过就先解决哪一项不然带着问题往下装最后的报错会让你很难定位根因。3. 创建独立的YOLOv8虚拟环境为什么强烈建议单独建环境这一步是很多新手最容易偷懒但最不该偷懒的地方。直接用基础环境装YOLOv8短期内好像没什么问题但等你再装其他项目比如Stable Diffusion、ComfyUI、某个老项目依赖Python 3.7时版本冲突会让你怀疑人生。3.1 虚拟环境到底是什么、避免什么Anaconda的虚拟环境本质上是把Python解释器、pip、各种第三方包目录隔离成独立的一套文件夹。你在环境A里把某个包升级到新版本不影响环境B里该包的旧版本。这就像一栋楼里有多个独立房间每个房间配置不同家具互不干扰。YOLOv8对Python版本的要求是3.8以上但经过社区大量验证Python 3.10是兼容性和生态支持最均衡的版本。3.12、3.13刚发布时部分PyTorch老版本还不支持容易踩坑。所以我直接建议创建Python 3.10的虚拟环境。3.2 conda create 命令详解打开终端Windows下推荐使用Anaconda PromptLinux/macOS直接开终端执行conda create -n yolov8 python3.10 -y解释一下这条命令的含义-n yolov8给这个新环境起名为yolov8你可以换成任何你喜欢的名字比如det、dl但建议尽量简短且用英文。python3.10指定环境内的Python版本为3.10conda会自动拉取对应版本的Python解释器。-y跳过安装确认直接执行。创建完成后激活环境conda activate yolov8激活成功后终端命令行的最前面会出现(yolov8)字样这就说明你已经进入了新环境。这时候再执行python --version显示的应该是Python 3.10.x。3.3 为conda环境配置pip镜像源可选但强烈建议在国内网络环境下直接pip下载PyTorch和ultralytics的依赖包速度可能非常不稳定甚至超时。建议先给pip配置一个可信的镜像源。这里用清华源为例pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple配置完之后后续在该环境里pip install都会自动走镜像下载速度明显提升。如果你不想全局配置也可以在每次pip install命令后面追加-i https://pypi.tuna.tsinghua.edu.cn/simple两种方式效果一样。注意这一步只是为了加速Python第三方包如opencv、numpy、torch等的下载跟后续提到的模型权重下载不是一回事。模型权重从GitHub上的Ultralytics仓库下载走的是另一条链路。4. 安装PyTorch并确认GPU可用这是整个环境配置里最核心也最容易出错的一步。PyTorch版本装对了YOLOv8就成功了80%。4.1 用官方命令还是指定CUDA版本PyTorch官网pytorch.org会根据你的操作系统和包管理工具自动给出安装命令。比如选择Linux pip CUDA 11.8官网会给出pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118这里有三个包torch主框架、torchvision视觉相关工具库YOLOv8的数据增强和部分算子依赖它、torchaudio音频库YOLOv8不直接依赖它但它是PyTorch生态的标准三件套一起装没坏处。如果你选择了CPU版本那就是pip install torch torchvision torchaudio不带--index-url参数默认从PyPI安装的就是CPU版Windows下如此。CPU版能跑YOLOv8只是速度慢。问题来了怎么判断该装哪个CUDA版本的PyTorch查驱动支持的最高CUDA版本nvidia-smi右上角那个数字。如果驱动支持CUDA 11.8及以上建议用cu118版本兼容性好。如果是新卡RTX 40系/50系可以选cu121或者cu124版本。4.2 实测稳定的PyTorch安装组合下面几套组合是我在不同机器上实测稳定复现的贴出来供你直接参考显卡类型推荐PyTorch安装命令说明GTX 10系/16系pip install torch2.1.2 torchvision0.16.2 --index-url https://download.pytorch.org/whl/cu118老卡中稳如泰山的组合RTX 20系/30系pip install torch2.1.2 torchvision0.16.2 --index-url https://download.pytorch.org/whl/cu118同样可用RTX 40系pip install torch torchvision --index-url https://download.pytorch.org/whl/cu121推荐CUDA 12.1RTX 50系pip install torch torchvision --index-url https://download.pytorch.org/whl/cu124需要PyTorch 2.6第一次下载PyTorch的包比较大CUDA版torch大约2-3GB耐心等待即可。如果下载到一半网络断了重跑一遍同一个命令pip有缓存机制会断点续传。4.3 验证PyTorch能否调用GPU装完之后别急着装YOLOv8先验证这一步。在终端里进入Python交互模式python然后在Python提示符下输入import torch print(torch.__version__) print(torch.cuda.is_available())如果torch.cuda.is_available()输出True恭喜GPU环境已经就绪。如果输出False看下面几个可能原因装的是CPU版PyTorch最常见。显卡驱动版本过旧需要去NVIDIA官网更新驱动。显卡不是NVIDIA的比如AMD的卡CUDA本身不可用。再确认一下GPU的实际名称print(torch.cuda.get_device_name(0))能输出版本号和显卡名称说明PyTorch已经完整检测到GPU。到这里整个环境配置最难的部分就过了。经验分享很多新手验证GPU时发现torch.cuda.is_available()输出False第一反应是重装PyTorch。其实先跑一下nvidia-smi看看驱动版本如果驱动太老更新一下驱动往往就能解决不用重装任何东西。5. 安装YOLOv8本体ultralytics包PyTorch搞定之后安装YOLOv8本体就是一个普通的pip操作。5.1 pip install ultralytics 一行搞定保持yolov8虚拟环境处于激活状态执行pip install ultralytics这个命令会自动安装ultralytics以及它声明的所有依赖包括但不限于opencv-python图像读写和预处理numpy数组运算matplotlib可视化pandas数据处理pillow图像处理pyyaml配置文件解析tqdm进度条如果你在安装过程中遇到某个依赖编译失败比如没有安装Microsoft C Build Tools绝大多数情况下是这个依赖版本太新、跟Python 3.10不兼容。解决办法是指定一个兼容版本比如pip install ultralytics8.2.0这个版本在社区里验证量很大Bug相对较少新手用它踩坑率最低。5.2 源码安装方式与Git Clone什么时候需要源码安装pip安装的是发布版release足够日常使用。但有一类用户需要源码安装——你想修改YOLOv8内部的网络结构做改进热搜词里就有“yolov8改进”或者想用官方GitHub仓库里还没发版的新功能。源码安装的步骤git clone https://github.com/ultralytics/ultralytics.git cd ultralytics pip install -e .pip install -e .的意思是“可编辑安装”你修改本地源码后不需要重新安装改动立即生效。这对搞科研/做改进的人非常有用。但如果你只是想把YOLOv8跑起来训练自己的数据集源码安装和pip安装对使用方式没有影响。也就是说不管哪种方式装的导入方式都是from ultralytics import YOLO。5.3 验证安装成功import ultralytics查看版本装完后在Python里执行import ultralytics ultralytics.checks()ultralytics.checks()会输出环境信息包括Python版本、PyTorch版本、CUDA是否可用、GPU名称等并且会提示安装缺失的可选依赖。看到没有红色报错说明安装成功。这一步还有一个更快捷的验证方式直接在终端执行yolo命令yolo能正常输出YOLO命令的帮助信息说明命令行工具也装好了。后续你会经常用到yolo predict、yolo train这类命令行指令虽然用Python代码调用更灵活但命令行在某些自动化场景下更方便。6. 验证安装全靠一次真实推理跑通官方Demo环境配没配好不是看版本号而是看模型能不能在一张真实图片上完成推理。这是整篇文章的验收环节。6.1 官方示例代码解释在终端里进入Python或者新建一个test_yolov8.py文件写入以下代码from ultralytics import YOLO # 加载预训练模型 model YOLO(yolov8n.pt) # 对图片进行推理 results model(https://ultralytics.com/images/bus.jpg) # 遍历结果并展示 for r in results: r.show()这段代码做了三件事YOLO(yolov8n.pt)加载YOLOv8的nano版本预训练权重。pt说明是由PyTorch保存的权重文件。model(https://ultralytics.com/images/bus.jpg)对一张官网示例图片进行推理。这个网络路径会先下载图片到本地缓存再读取推理。模型推理时会自动把图像缩放到模型输入尺寸默认640x640然后输出检测框。r.show()把检测结果可视化弹出一个窗口显示检测框、类别和置信度。如果不想弹窗可以用r.save()替代r.show()结果图会保存在当前目录下的runs/detect/predict文件夹里。6.2 模型权重自动下载流程第一次执行YOLO(yolov8n.pt)时如果当前目录下没有这个文件ultralytics会自动从GitHub Releases下载。下载过程会在终端显示进度条。如果你的网络环境不太理想下载权重经常失败进度条卡在半路或者超时可以手动下载权重文件然后放到当前工作目录下。权重文件的下载地址对应关系如下模型权重文件名大小说明YOLOv8nyolov8n.pt约6MB速度最快精度较低适合快速验证YOLOv8syolov8s.pt约22MB速度和精度平衡YOLOv8myolov8m.pt约49MB精度更高YOLOv8lyolov8l.pt约83MB更重的模型YOLOv8xyolov8x.pt约130MB精度最高要求显存高对于第一次跑通环境用yolov8n.pt就够了因为下载快、推理快能快速确认整条链路是通的。等你要训自己的数据集时再根据任务难度选择更大的模型。yolov8n里的“n”是nano微型的意思整个模型参数量只有约315万在GPU上推理一张640x640的图片通常只需要几十毫秒CPU上也就一两秒非常适合环境验证。6.3 图像/视频/摄像头三种推理方式除了对本地图片推理YOLOv8支持多种输入方式。日常使用中这三种最常用from ultralytics import YOLO model YOLO(yolov8n.pt) # 1. 本地图片 results model(bus.jpg) # 2. 视频文件 results model(test.mp4, saveTrue) # 3. 摄像头实时检测 results model(0, showTrue)摄像头输入的参数0代表调用电脑的第一个摄像头。这个功能很适合快速做一个Demo演示实时目标检测的感觉非常直观。视频推理时加上saveTrue参数检测结果会自动生成一个标注过的视频文件存放在runs/detect目录下。6.4 推理结果怎么看推理完成后终端会输出类似这样的信息image 1/1 /path/to/bus.jpg: 640x640 4 persons, 1 bus, 1 tie Done. (0.082s)数字的含义是在bus.jpg这张图中检测到了4个人persons、1辆公交车bus、1条领带tie。0.082秒是GPU推理耗时。如果你看到检测结果里有人和公交车说明模型加载、图片预处理、前向传播、后处理全链路都正常环境配置到此彻底结束。如果你用的是CPU跑推理时间可能是0.5秒到2秒这个差别非常直观地体现了GPU加速的价值。7. 高频踩坑排查与应对实测总结前面几步都很顺利的话你大概率已经跑通了。但如果你在某个环节卡住下面这份排查清单是按真实踩坑频率排的直接对着找就行。7.1 No module named ultralytics基本原因只有一个你不在之前创建的那个虚拟环境里。打开终端确认命令行开头有(yolov8)字样。如果没有执行conda activate yolov8。还有一种情况你在PyCharm里运行时提示找不到ultralytics说明PyCharm解释器没有选对。去File - Settings - Project - Python Interpreter里把解释器换成你创建的那个yolov8环境的Python路径通常在Anaconda安装目录下的envs/yolov8/python.exe。7.2 CUDA error: no kernel image is available for execution on the device这个报错的意思很明确当前的PyTorch版本不支持你这张显卡。最常见于新显卡RTX 50系配了旧PyTorch版本或者老显卡GTX 16系之前配了太新的CUDA版本。解决办法是卸载重装PyTorch切换到与你显卡匹配的CUDA版本。pip uninstall torch torchvision -y pip install torch torchvision --index-url https://download.pytorch.org/whl/cu1247.3 下载权重失败或卡在Download Progress因为权重从GitHub Releases下载网络不稳定时可能出现进度条不动或者直接抛异常。解决办法手动用浏览器下载对应权重文件。把下载好的.pt文件放在你执行Python命令的那个目录下。重新执行model YOLO(yolov8n.pt)此时因为本地文件已存在不会再触发下载。7.4 RuntimeError: CUDA out of memory推理一般不会爆显存nano模型大约只要几百MB显存但训练时很容易爆。如果出现OOMout of memory从这几个方向调减小batch size比如从默认的16改成8甚至4。减小输入图片尺寸imgsz比如从640改成480。换更小的模型比如用yolov8n替代yolov8s。开启梯度累积参数accumulate这等于用时间换显存空间。7.5 Python版本与PyTorch版本不兼容如果你用的Python是3.12以上版本老版本PyTorch可能没有对应预编译包pip安装时会尝试从源码编译那个过程非常慢且大概率失败。建议把虚拟环境的Python版本固定在3.10这是目前PyTorch和ultralytics兼容性最好的版本。重建环境不麻烦conda deactivate conda remove -n yolov8 --all conda create -n yolov8 python3.10 -y conda activate yolov87.6 OpenCV相关报错如cv2 has no attributeultralytics会自动安装opencv-python。如果你电脑上之前装过老版本OpenCV可能被覆盖或者版本冲突。解决办法是在yolov8环境里强制重装pip install --upgrade opencv-python尽量避免在多个环境混用OpenCV的低级包opencv-contrib-python和opencv-python这两个库同时存在会引发奇怪的符号覆盖问题。7.7 摄像头推理时图像是黑的笔记本摄像头在部分Windows驱动下兼容性一般。检查系统是否把摄像头权限关闭了在设置 - 隐私 - 摄像头里确认允许应用访问摄像头。如果你用的是台式机外接USB摄像头重新插拔一下并确认摄像头能正常被其他软件如相机应用识别。我在实际配环境的过程中最深的感受是YOLOv8安装本身并不复杂大部分时间都花在“版本匹配”上。只要把Python 3.10、PyTorch的CUDA版本、显卡驱动这三者的关系理顺后面的流程基本都是水到渠成。如果你用的显卡不是特别奇葩的型号直接套用我上面给的组合大概率一次就能跑通。最后再分享一个小技巧每次给项目配完环境建议顺手执行一下pip freeze requirements.txt把当前环境的所有包版本固化下来。以后换电脑、帮朋友配环境直接pip install -r requirements.txt就全部还原了。这个习惯能帮你省掉很多重复踩坑的时间。