人工智能深度学习计算机视觉图像处理视频处理预训练【免费下载链接】nunifMisc; latest version of waifu2x; 2D video to stereo 3D video conversion项目地址https://gitcode.com/gh_mirrors/nu/nunif点击查看免费下载本指南围绕 INSTALL-cu126.md 展开面向使用 nunifwaifu2x 与 2D 视频转立体 3D 视频工具链但 GPU 不属于 RTX 50xx 新架构的用户系统讲解为什么 nunif 默认选择 cu128、哪些老显卡仍依赖 cu126以及如何通过requirements-torch-cu126.txt完成安装与验证。读完本文你将掌握 cu126 与 cu128 的计算能力Compute Capability覆盖差异、在 Linux/Windows 上的精确安装命令以及如何结合仓库源码确认自己的 GPU 是否可用。背景nunif 为什么默认使用 cu128nunif 默认通过 requirements-torch.txt 安装 PyTorch。该文件内部固定了三条依赖来源--extra-index-url https://download.pytorch.org/whl/cpu --extra-index-url https://download.pytorch.org/whl/cu128 # macOS torch; sys_platform darwin torchvision; sys_platform darwin # Linux torch2.7.1cu128; sys_platform linux torchvision0.22.1cu128; sys_platform linux # Windows torch2.7.1cu128; sys_platform win32 torchvision0.22.1cu128; sys_platform win32从文件内容可以看到在 Linux 与 Windows 平台上 nunif 锁定的是torch2.7.1cu128与torchvision0.22.1cu128的精确版本组合并从 PyTorch 官方 cu128 wheel 仓库拉取。macOS 分支则不做 CUDA 约束macOS 使用 MPS 加速可参考 nunif/device.py 中的mps_is_available()与设备选择逻辑。选择 cu128 的原因在文档中写得很明确cu128CUDA 12.8是唯一支持 RTX 50xx 系列显卡的 PyTorch 版本。为了默认覆盖最新硬件nunif 将 cu128 作为默认安装路径。计算能力Compute Capability差异为什么老显卡需要 cu126cu128 在支持 RTX 50xx 的同时放弃了对老一代 GPU 架构的支持。文档给出了两版 CUDA 的架构代号sm_覆盖范围对照表PyTorch CUDA 版本Compute Capability计算能力cu128sm_75、sm_80、sm_86、sm_90、sm_100、sm_120、compute_120cu126sm_50、sm_60、sm_70、sm_75、sm_80、sm_86、sm_90其中sm_XX表示 CUDA 架构代号SM Streaming Multiprocessor 架构版本与 NVIDIA 的 Compute Capability 一一对应例如sm_50对应 Maxwell 架构GeForce GTX 9xx 系列、Titan X 等sm_60/sm_61对应 Pascal 架构GeForce GTX 10xx 系列、Tesla P40、Tesla P4 等sm_70对应 Volta 架构Tesla V100、Titan V 等sm_75对应 Turing 架构GTX 16xx、RTX 20xx 系列sm_80/sm_86对应 Ampere 架构RTX 30xx 系列、A100、RTX A 系列等sm_90对应 Hopper 架构H100 等sm_100对应 Blackwell 架构RTX 50xx 系列sm_120/compute_120对应面向消费级与数据中心的新一代 Blackwell 变体关键结论cu128 丢掉了sm_50、sm_60、sm_70三档也就是 MaxwellGeForce 9xx、Titan X、PascalGTX 10xx、Tesla P40、Tesla P4与 VoltaTesla V100、Titan V时代的 GPU而 cu126 仍然保留这三档支持。因此如果你的显卡属于这些旧架构必须改用 cu126 才能获得 CUDA 加速。安装 cu126 版 PyTorch推荐的安装方式文档给出的核心操作非常简单不再使用requirements-torch.txt而是改用仓库根目录下的 requirements-torch-cu126.txtpip3 install -r requirements-torch-cu126.txt该文件的具体内容如下--extra-index-url https://download.pytorch.org/whl/cu126 # Linux torch2.7.1cu126; sys_platform linux torchvision0.22.1cu126; sys_platform linux # Windows torch2.7.1cu126; sys_platform win32 torchvision0.22.1cu126; sys_platform win32与默认文件对比差异主要有两点wheel 仓库换成了 cu126--extra-index-url指向https://download.pytorch.org/whl/cu126pip 会从这里拉取带cu126后缀的 PyTorch 构建。版本号带cu126后缀Linux 与 Windows 分别固定为torch2.7.1cu126、torchvision0.22.1cu126保证与仓库其他组件如 requirements.txt 中依赖 PyTorch 2.7 系列的 iw3 组件timm、av15.0.0等兼容。完整安装流程结合 INSTALL-ubuntu.md 中给出的通用步骤cu126 场景下完整的安装流程建议如下安装系统依赖Linuxsudo apt-get install git-core libmagickwand-dev libraqm-dev python3-dev克隆仓库并进入目录git clone https://github.com/nagadomi/nunif.git cd nunif如需开发分支可执行git clone https://github.com/nagadomi/nunif.git -b dev或git checkout -b dev origin/dev。可选创建并激活虚拟环境python3 -m venv .venv source .venv/bin/activate安装 cu126 版 PyTorchpip3 install -r requirements-torch-cu126.txt安装其余 Python 依赖pip3 install -r requirements.txt可选GUI 与训练依赖如需图形界面安装 requirements-gui.txtwxPython如需运行训练代码安装 requirements-dev.txt。下载预训练模型waifu2xpython3 -m waifu2x.download_models另见 waifu2x/README.mdiw3python -m iw3.download_models另见 iw3/README.md如何确认安装的是 cu126 构建安装完成后可以通过以下方式验证python3 -c import torch; print(torch.__version__)输出应类似2.7.1cu126。此外可以使用仓库自带的设备列表命令确认 CUDA 可见性python3 -m nunif.cli.list_device该命令对应源码 nunif/cli/list_device.py内部通过torch.cuda.is_available()与torch.cuda.device_count()遍历所有 CUDA 设备并打印设备名称如果 GPU 能被识别说明驱动与 cu126 构建匹配正常。兼容性与使用注意哪些场景应该选 cu126你拥有 Maxwell / Pascal / Volta 架构的 GPUGeForce 9xx、GTX 10xx、Tesla P40、Tesla P4、Tesla V100、Titan V、Titan X 等且该 GPU 不在上表 cu128 的sm_覆盖范围内你不需要 RTX 50xx 系列Blackwell支持你希望获得与 nunif 默认配置同版本号的 PyTorch2.7.1但带旧架构支持。哪些场景应该继续用默认 cu128你使用RTX 50xx 系列sm_100/sm_120显卡——cu126 的覆盖表中没有这两档此时必须保留默认的 requirements-torch.txt你使用 Turing 及更新架构RTX 20xx / 30xx / 40xx / A100 / H100 等——这些 GPU 在 cu128 与 cu126 下均可正常使用推荐直接使用默认配置。设备与运行层面的事实依据从源码结构看nunif 的设备抽象并不绑定特定 CUDA 版本核心入口 nunif/device.py 通过torch.cuda.is_available()、mps_is_available()、xpu_is_available()依次探测可用后端并用--gpu -1回退到 CPUCUDA 加速路径、混合精度autocastnunif/device.py与多卡数据并行nunif/models/data_parallel.py等逻辑均对底层 CUDA 版本透明。因此只要安装的 cu126 构建能正常加载并识别 GPUnunif 的 waifu2x 推理、iw3 深度估计与立体视频转换等功能即可正常工作无需改动任何业务代码。补充约束cu126 与 cu128 是两个不同的 wheel 系列混装会破坏 torch 与 torchvision 的 ABI 一致性。请务必在干净的虚拟环境中安装避免与已存在的cu128版本共存。本文档针对 PyTorch 2.7.1 / torchvision 0.22.1 的 cu126 构建如需其他 CUDA 变体如 ROCm、XPU可参考仓库内的 requirements-torch-rocm.txt 与 requirements-torch-xpu.txt以及对应的 INSTALL-xpu.md 文档。小结nunif 默认使用 cu128 以覆盖 RTX 50xx 系列代价是放弃 Maxwell、Pascal、Volta 三代老架构cu126 恰好补上了这段兼容缺口。对老显卡用户而言只需用pip3 install -r requirements-torch-cu126.txt替换默认的 torch 安装步骤其余依赖与模型下载流程完全一致。安装后可用torch.__version__与 nunif/cli/list_device.py 验证环境即可继续使用 nunif 的 waifu2x 与 2D 视频转立体 3D 视频能力。赞分享人工智能深度学习计算机视觉图像处理视频处理预训练【免费下载链接】nunifMisc; latest version of waifu2x; 2D video to stereo 3D video conversion项目地址https://gitcode.com/gh_mirrors/nu/nunif点击查看免费下载相关推荐IsaacLab项目在RTX 50系列显卡上的兼容性问题解决方案IsaacLab项目在RTX 50系列显卡上的兼容性问题解决方案 问题背景 随着NVIDIA RTX 50系列显卡的发布许多开发者在使用IsaacLab机器人人工智能强化学习机器人具身智能深度学习IsaacLab项目在RTX 50系列GPU上的兼容性问题分析与解决方案IsaacLab项目在RTX 50系列GPU上的兼容性问题分析与解决方案 问题背景 在IsaacLab项目运行过程中用户在使用NVIDIA最新发布的RTX 5人工智能强化学习机器人具身智能深度学习上一篇MangaDesk 项目常见问题解决方案下一篇qstock量化分析库完全指南从数据获取到策略回测的一站式解决方案创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
nunif 在 RTX 50 系之外的兼容方案：CUDA 12.6（cu126）PyTorch 安装指南
人工智能深度学习计算机视觉图像处理视频处理预训练【免费下载链接】nunifMisc; latest version of waifu2x; 2D video to stereo 3D video conversion项目地址https://gitcode.com/gh_mirrors/nu/nunif点击查看免费下载本指南围绕 INSTALL-cu126.md 展开面向使用 nunifwaifu2x 与 2D 视频转立体 3D 视频工具链但 GPU 不属于 RTX 50xx 新架构的用户系统讲解为什么 nunif 默认选择 cu128、哪些老显卡仍依赖 cu126以及如何通过requirements-torch-cu126.txt完成安装与验证。读完本文你将掌握 cu126 与 cu128 的计算能力Compute Capability覆盖差异、在 Linux/Windows 上的精确安装命令以及如何结合仓库源码确认自己的 GPU 是否可用。背景nunif 为什么默认使用 cu128nunif 默认通过 requirements-torch.txt 安装 PyTorch。该文件内部固定了三条依赖来源--extra-index-url https://download.pytorch.org/whl/cpu --extra-index-url https://download.pytorch.org/whl/cu128 # macOS torch; sys_platform darwin torchvision; sys_platform darwin # Linux torch2.7.1cu128; sys_platform linux torchvision0.22.1cu128; sys_platform linux # Windows torch2.7.1cu128; sys_platform win32 torchvision0.22.1cu128; sys_platform win32从文件内容可以看到在 Linux 与 Windows 平台上 nunif 锁定的是torch2.7.1cu128与torchvision0.22.1cu128的精确版本组合并从 PyTorch 官方 cu128 wheel 仓库拉取。macOS 分支则不做 CUDA 约束macOS 使用 MPS 加速可参考 nunif/device.py 中的mps_is_available()与设备选择逻辑。选择 cu128 的原因在文档中写得很明确cu128CUDA 12.8是唯一支持 RTX 50xx 系列显卡的 PyTorch 版本。为了默认覆盖最新硬件nunif 将 cu128 作为默认安装路径。计算能力Compute Capability差异为什么老显卡需要 cu126cu128 在支持 RTX 50xx 的同时放弃了对老一代 GPU 架构的支持。文档给出了两版 CUDA 的架构代号sm_覆盖范围对照表PyTorch CUDA 版本Compute Capability计算能力cu128sm_75、sm_80、sm_86、sm_90、sm_100、sm_120、compute_120cu126sm_50、sm_60、sm_70、sm_75、sm_80、sm_86、sm_90其中sm_XX表示 CUDA 架构代号SM Streaming Multiprocessor 架构版本与 NVIDIA 的 Compute Capability 一一对应例如sm_50对应 Maxwell 架构GeForce GTX 9xx 系列、Titan X 等sm_60/sm_61对应 Pascal 架构GeForce GTX 10xx 系列、Tesla P40、Tesla P4 等sm_70对应 Volta 架构Tesla V100、Titan V 等sm_75对应 Turing 架构GTX 16xx、RTX 20xx 系列sm_80/sm_86对应 Ampere 架构RTX 30xx 系列、A100、RTX A 系列等sm_90对应 Hopper 架构H100 等sm_100对应 Blackwell 架构RTX 50xx 系列sm_120/compute_120对应面向消费级与数据中心的新一代 Blackwell 变体关键结论cu128 丢掉了sm_50、sm_60、sm_70三档也就是 MaxwellGeForce 9xx、Titan X、PascalGTX 10xx、Tesla P40、Tesla P4与 VoltaTesla V100、Titan V时代的 GPU而 cu126 仍然保留这三档支持。因此如果你的显卡属于这些旧架构必须改用 cu126 才能获得 CUDA 加速。安装 cu126 版 PyTorch推荐的安装方式文档给出的核心操作非常简单不再使用requirements-torch.txt而是改用仓库根目录下的 requirements-torch-cu126.txtpip3 install -r requirements-torch-cu126.txt该文件的具体内容如下--extra-index-url https://download.pytorch.org/whl/cu126 # Linux torch2.7.1cu126; sys_platform linux torchvision0.22.1cu126; sys_platform linux # Windows torch2.7.1cu126; sys_platform win32 torchvision0.22.1cu126; sys_platform win32与默认文件对比差异主要有两点wheel 仓库换成了 cu126--extra-index-url指向https://download.pytorch.org/whl/cu126pip 会从这里拉取带cu126后缀的 PyTorch 构建。版本号带cu126后缀Linux 与 Windows 分别固定为torch2.7.1cu126、torchvision0.22.1cu126保证与仓库其他组件如 requirements.txt 中依赖 PyTorch 2.7 系列的 iw3 组件timm、av15.0.0等兼容。完整安装流程结合 INSTALL-ubuntu.md 中给出的通用步骤cu126 场景下完整的安装流程建议如下安装系统依赖Linuxsudo apt-get install git-core libmagickwand-dev libraqm-dev python3-dev克隆仓库并进入目录git clone https://github.com/nagadomi/nunif.git cd nunif如需开发分支可执行git clone https://github.com/nagadomi/nunif.git -b dev或git checkout -b dev origin/dev。可选创建并激活虚拟环境python3 -m venv .venv source .venv/bin/activate安装 cu126 版 PyTorchpip3 install -r requirements-torch-cu126.txt安装其余 Python 依赖pip3 install -r requirements.txt可选GUI 与训练依赖如需图形界面安装 requirements-gui.txtwxPython如需运行训练代码安装 requirements-dev.txt。下载预训练模型waifu2xpython3 -m waifu2x.download_models另见 waifu2x/README.mdiw3python -m iw3.download_models另见 iw3/README.md如何确认安装的是 cu126 构建安装完成后可以通过以下方式验证python3 -c import torch; print(torch.__version__)输出应类似2.7.1cu126。此外可以使用仓库自带的设备列表命令确认 CUDA 可见性python3 -m nunif.cli.list_device该命令对应源码 nunif/cli/list_device.py内部通过torch.cuda.is_available()与torch.cuda.device_count()遍历所有 CUDA 设备并打印设备名称如果 GPU 能被识别说明驱动与 cu126 构建匹配正常。兼容性与使用注意哪些场景应该选 cu126你拥有 Maxwell / Pascal / Volta 架构的 GPUGeForce 9xx、GTX 10xx、Tesla P40、Tesla P4、Tesla V100、Titan V、Titan X 等且该 GPU 不在上表 cu128 的sm_覆盖范围内你不需要 RTX 50xx 系列Blackwell支持你希望获得与 nunif 默认配置同版本号的 PyTorch2.7.1但带旧架构支持。哪些场景应该继续用默认 cu128你使用RTX 50xx 系列sm_100/sm_120显卡——cu126 的覆盖表中没有这两档此时必须保留默认的 requirements-torch.txt你使用 Turing 及更新架构RTX 20xx / 30xx / 40xx / A100 / H100 等——这些 GPU 在 cu128 与 cu126 下均可正常使用推荐直接使用默认配置。设备与运行层面的事实依据从源码结构看nunif 的设备抽象并不绑定特定 CUDA 版本核心入口 nunif/device.py 通过torch.cuda.is_available()、mps_is_available()、xpu_is_available()依次探测可用后端并用--gpu -1回退到 CPUCUDA 加速路径、混合精度autocastnunif/device.py与多卡数据并行nunif/models/data_parallel.py等逻辑均对底层 CUDA 版本透明。因此只要安装的 cu126 构建能正常加载并识别 GPUnunif 的 waifu2x 推理、iw3 深度估计与立体视频转换等功能即可正常工作无需改动任何业务代码。补充约束cu126 与 cu128 是两个不同的 wheel 系列混装会破坏 torch 与 torchvision 的 ABI 一致性。请务必在干净的虚拟环境中安装避免与已存在的cu128版本共存。本文档针对 PyTorch 2.7.1 / torchvision 0.22.1 的 cu126 构建如需其他 CUDA 变体如 ROCm、XPU可参考仓库内的 requirements-torch-rocm.txt 与 requirements-torch-xpu.txt以及对应的 INSTALL-xpu.md 文档。小结nunif 默认使用 cu128 以覆盖 RTX 50xx 系列代价是放弃 Maxwell、Pascal、Volta 三代老架构cu126 恰好补上了这段兼容缺口。对老显卡用户而言只需用pip3 install -r requirements-torch-cu126.txt替换默认的 torch 安装步骤其余依赖与模型下载流程完全一致。安装后可用torch.__version__与 nunif/cli/list_device.py 验证环境即可继续使用 nunif 的 waifu2x 与 2D 视频转立体 3D 视频能力。赞分享人工智能深度学习计算机视觉图像处理视频处理预训练【免费下载链接】nunifMisc; latest version of waifu2x; 2D video to stereo 3D video conversion项目地址https://gitcode.com/gh_mirrors/nu/nunif点击查看免费下载相关推荐IsaacLab项目在RTX 50系列显卡上的兼容性问题解决方案IsaacLab项目在RTX 50系列显卡上的兼容性问题解决方案 问题背景 随着NVIDIA RTX 50系列显卡的发布许多开发者在使用IsaacLab机器人人工智能强化学习机器人具身智能深度学习IsaacLab项目在RTX 50系列GPU上的兼容性问题分析与解决方案IsaacLab项目在RTX 50系列GPU上的兼容性问题分析与解决方案 问题背景 在IsaacLab项目运行过程中用户在使用NVIDIA最新发布的RTX 5人工智能强化学习机器人具身智能深度学习上一篇MangaDesk 项目常见问题解决方案下一篇qstock量化分析库完全指南从数据获取到策略回测的一站式解决方案创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考