有的教程会要安装TensorRT或TensorFlow，这个并不是基础依赖项，只有在需要特定导出时才需要安装。
本教程基于纯净的ubuntu20.04进行安装。
目录
一、安装显卡驱动
1、关闭自动更新
进入系统后关闭自动更新。按照如下图所示进行设置：
2、换源
打开终端，执行以下命令将源文件做备份：
sudo cp /etc/apt/sources.list /etc/apt/sources_copy.list
终端执行以下命令，会打开一个文件：
sudo gedit /etc/apt/sources.list将打开的文件里面的内容删除，把以下代码复制到打开的文件里面，保存并退出。
# 默认注释了源码镜像以提高 apt update 速度，如有需要可自行取消注释
deb https://mirrors.tuna.tsinghua.edu.cn/ubuntu/ focal main restricted universe multiverse
# deb-src https://mirrors.tuna.tsinghua.edu.cn/ubuntu/ focal main restricted universe multiverse
deb https://mirrors.tuna.tsinghua.edu.cn/ubuntu/ focal-updates main restricted universe multiverse
# deb-src https://mirrors.tuna.tsinghua.edu.cn/ubuntu/ focal-updates main restricted universe multiverse
deb https://mirrors.tuna.tsinghua.edu.cn/ubuntu/ focal-backports main restricted universe multiverse
# deb-src https://mirrors.tuna.tsinghua.edu.cn/ubuntu/ focal-backports main restricted universe multiverse
deb https://mirrors.tuna.tsinghua.edu.cn/ubuntu/ focal-security main restricted universe multiverse
# deb-src https://mirrors.tuna.tsinghua.edu.cn/ubuntu/ focal-security main restricted universe multiverse
# 预发布软件源，不建议启用
# deb https://mirrors.tuna.tsinghua.edu.cn/ubuntu/ focal-proposed main restricted universe multiverse
# deb-src https://mirrors.tuna.tsinghua.edu.cn/ubuntu/ focal-proposed main restricted universe multiverse终端执行以下命令，更新一下：
sudo apt-get update
千万不要执行以下命令：sudo apt-get upgrade。也不要更新升级系统。
因为升级后会安装新的内核，导致和显卡驱动产生冲突。因此重启后会一直黑屏无法进入图形化界面。
3、安装显卡驱动
终端执行以下命令，查看显卡驱动：
nvidia-smi由于此时还没安装显卡驱动，出现的应该是以下画面：
打开软件和更新，在附加驱动里找到适合自己的显卡驱动，我这里选择的是nvidia-driver-535。（如果附加驱动里没有显示，可以在终端执行sudo apt-get update这条命令，再查看附加驱动。）
重启后，在终端输入以下命令：
nvidia-smi出现以下画面，即说明显卡驱动安装成功：
4、问题及解决
驱动安装完成后，终端执行以下命令：
nvidia-smi出现如下画面：
并且重启后会发现界面一直是黑屏状态。
原因：升级系统后会安装新的内核，导致和显卡驱动产生冲突。重启后会一直黑屏无法进入图形化界面。
（若是连接扩展屏，重启后一直黑屏无法进入图形界面。把扩展屏断开连接后，重启就可解决。）
关于用扩展屏经常会出现问题，建议还是不要用扩展屏。
重启进入修复模式，在root下执行以下代码：
sudo apt-get purge nvidia*执行完成后，关机。
再次开机，即可正常进入系统。
如果一直无法解决，建议重装ubuntu系统后，一步一步按照上述操作进行，即可解决。
二、CUDA安装
终端执行以下命令，查看和驱动版本相对应的CUDA版本。这里推荐的CUDA版本是12.2。
nvidia-smi
终端执行以下命令，查看系统架构，这里是X86架构：
uname -a
以下链接可以查看 CUDA 版本与驱动版本对应关系：
1. CUDA 12.8 Update 1 Release Notes — Release Notes 12.8 documentation
通过以下链接，下载CUDA对应的版本，这里下载的是12.2：
https://developer.nvidia.com/cuda-toolkit-archive
选择对应的类型，推荐用runfile安装。
下载界面提供了下载安装执行的命令行。
终端执行以下命令，下载安装包：
wget https://developer.download.nvidia.com/compute/cuda/12.2.0/local_installers/cuda_12.2.0_535.54.03_linux.run在文件下载的位置，打开终端执行以下命令进行安装：
sudo sh cuda_12.2.0_535.54.03_linux.run在出现的界面选择Continue，回车确定。
输入accept，回车确定。
回车或空格选择要安装的项目。由于驱动已经安装过了，一定要取消选择，不然可能会发生冲突，一直黑屏，无法进入图形界面。选择Install进行安装。
安装成功会出现如下界面：
终端执行以下命令，添加一下环境变量：
gedit ~/.bashrc在打开的文件末尾加入如下代码：
注意：路径要根据自己的实际路径来。
export PATH=/usr/local/cuda-12.2/bin${PATH:+:${PATH}}
export LD_LIBRARY_PATH=/usr/local/cuda-12.2/lib64${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}点击保存退出，然后刷新一下环境。
source ~/.bashrc
环境变量配置完成后，在终端输入以下命令：
nvcc --version
出现如下画面，则代表安装成功：
三、cuDNN安装
打开以下链接：
https://developer.nvidia.com/rdp/cudnn-archive
根据CUDA 12.2选择对应的cuDNN版本。
这里选择的是cuDNN v8.9.7。点击Local Install for Linux x86_64(Tar)，进行下载。
在下载的安装包目录下执行以下命令，解压缩：
tar -xf cudnn-linux-x86_64-8.9.7.29_cuda12-archive.tar.xz将文件重命名为cudnn，然后在cudnn所在位置打开终端，执行以下命令，将文件复制到相对应的路径下：
sudo cp cudnn/include/cudnn*.h /usr/local/cuda-12.2/include/
sudo cp cudnn/lib/libcudnn* /usr/local/cuda-12.2/lib64/
sudo chmod a+r /usr/local/cuda-12.2/include/cudnn*.h
sudo chmod a+r /usr/local/cuda-12.2/lib64/libcudnn*终端执行以下命令：
cat /usr/local/cuda-12.2/include/cudnn_version.h | grep CUDNN_MAJOR -A 2
出现以下画面，安装成功。
四、安装Anaconda
打开以下链接：
https://repo.anaconda.com/archive/
下载和自己系统匹配的安装包。这里下载的是Anaconda3-2024.02-1-Linux-x86_64.sh。
在下载安装包的目录下打开终端，执行以下命令进行安装。
bash Anaconda3-2024.02-1-Linux-x86_64.sh出现以下画面，按提示进行回车：
一直按回车，或按q直接跳过，直到出现“Do you accept the license terms”, 输入“yes” 。
默认位置已经足够，按ENTER确认安装位置。
出现是否要运行conda init，输入yes。
出现以下画面，Anaconda安装成功：
安装好后，source一下环境或者重新打开一个终端。
source ~/.bashrc 会多一个（base）的前缀。
附：如果希望 conda 的基础环境在启动终端时不被激活，将 auto_activate_base 参数设置为 false：
conda config --set auto_activate_base false
后面想要再进入conda的base环境，只需要使用conda指令激活base环境
conda activate base
或将 auto_activate_base 参数设置为 true：
conda config --set auto_activate_base true五、创建虚拟环境
终端执行以下命令，创建一个python3.8的名称为yolo的环境。
conda create -n yolo python=3.8
按照提示输入y，回车。
出现如下，创建成功：
终端执行以下命令，打开创建的yolo虚拟环境：
conda activate yolo
终端执行以下命令，退出创建的yolo虚拟环境：
conda deactivate
六、安装pytorch
一定要在刚刚创建的yolo虚拟环境下安装。
终端执行以下命令，打开创建的yolo虚拟环境：
conda activate yolo
在安装pytorch之前要先安装comet-ml，不然后续可能无法导入comet-ml库。
终端执行以下命令安装comet-ml库：
pip install comet-ml若确实是先安装pytorch再安装comet-ml，通过运行Python解释器再导入comet-ml库。
终端执行python打开解释器，然后输入import comet_ml导入库。若没有报错，输入exit()退出即可。
打开以下链接：
Previous PyTorch Versions | PyTorch
选择合适的版本下载，这里下载的是v2.1.2版本。
选择CUDA12.1版本（没有12.2版本，安装12.1也行）。在终端执行网页提供的，对应版本的命令行。
conda install pytorch==2.1.2 torchvision==0.16.2 torchaudio==2.1.2 pytorch-cuda=12.1 -c pytorch -c nvidia出现如下画面，输入y：
建议下载工程中，使用科学上网工具连接，更容易成功，安装成功界面如下：
安装完后，依次执行以下命令进行验证：
python
import torch
print(torch.__version__) # pytorch版本
print(torch.version.cuda) # cuda版本
print(torch.cuda.is_available()) # 查看cuda是否可用
出现如下界面：
执行以下命令退出虚拟环境：
exit() #退出python
conda deactivate #退出虚拟环境七、下载yolov5
终端执行以下命令，下载yolov5源码：
git clone https://github.com/ultralytics/yolov5.git
默认yolov5源码里面不包含预训练模型，还需自行下载，放在yolov5目录下。
通过以下链接下载：
GitHub - ultralytics/yolov5: YOLOv5 🚀 in PyTorch > ONNX > CoreML > TFLite
找到预训练权重模型。
将下载好的预训练权重模型放在yolov5目录下，这里下载的是YOLOv5s（不用解压缩）。
在yolov5文件夹下，打开终端并执行以下命令，打开创建的yolo虚拟环境：
conda activate yolo终端执行以下命令：
pip3 install -U -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple会自动下载所需要的依赖。
若出现报错，根据报错信息安装缺少的依赖。然后再次执行上述命令。
八、运行测试
在yolov5文件夹下，打开终端并执行以下命令，打开创建的yolo虚拟环境：
conda activate yolo终端执行以下命令，运行测试：
python detect.py --source data/images/zidane.jpg或以下命令：
python detect.py --source "data/images/bus.jpg" --weights="yolov5s.pt"
出现如下画面，运行成功：
通过路径yolov5/runs/detect/exp查看保存的文件。
扫一扫
827
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
