Ubuntu安装深度学习环境相关(yolov8-python部署)

本文详述了在Ubuntu系统上安装深度学习环境(包括RTX3050显卡驱动和Yolov8Python部署),以及如何通过Anaconda创建和激活虚拟环境进行模型测试的过程。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

Ubuntu安装深度学习环境相关(yolov8-python部署)

  • 本文将从如下几个方面总结相关的工作过程:

    • 1.Ubuntu系统安装(联想小新pro16)
    • 2.显卡驱动安装
    • 3.测试深度学习模型

1. Ubunut 系统安装

  • 之前在台式机上安装过Ubuntu,以为再在笔记本上安装会是小菜一碟,但没想还是废了一些功夫。

  • 安装所需要的步骤:

    • 1.电脑分盘:Windows下右键开始,选择磁盘管理,我的是在F盘分出了80G
    • 2.在- 官网 -下载Ubuntu系统并通过U盘制作启动盘:
      在这里插入图片描述
    • - rufus -下载启动盘制作工具:
      在这里插入图片描述
    • 点击开始进行制作 在这里插入图片描述
    • 我的电脑是联想小新,按下开机建后,同时连续多次按Fn+F2,进入BIOS界面,将Secure Boot关闭,保存更改退出,关机重启
    • 插入U盘启动盘,按下开机键,连续按下F12,选择U盘对应的系统进行安装,选择中文语言,正常下一步,常规安装至结束,中间正常设置账户密码等。
  • 设置中也可以设置输入法:
    在这里插入图片描述

  • 如果桌面字体太小可以通过改变分辨率进行调整:
    在这里插入图片描述- 打开软件与更新设置国内源
    在这里插入图片描述

  • 如果系统安装过程最后提示磁盘没有访问权限,需要解密,则需要回到windows下对磁盘进行解密,即通过命令行关闭Bitlocker

  • cmd中输入以下命令关闭

     manage-bde -off C:
    
  • 但是有时候出现如下提示:
    在这里插入图片描述

此时需要先执行如下命令:(系统分区不是C的话更改下面的盘符)

manage-bde -autounlock -ClearAllKeys c:

然后再执行即可

manage-bde -off C:

提示解密进行中,需要一定的时间:
在这里插入图片描述

解密后所在分区就没有锁子图标了
在这里插入图片描述

2.显卡驱动安装

  • 我的显卡是RTX3050,但是我根据网上的一些信息通过软件与更新或者 sudo apt 命令进行下载驱动程序都提示连接不上NVIDIA,后来查了一下说需要先禁用系统自带的驱动程序 Nouveau
  • 查看是否安装NVIDIA驱动命令:
nvidia-smi

在这里插入图片描述在这里插入图片描述

2.1 禁用 nouveau

  • a. 运行如下指令,查看系统是否启用了nouveau显卡驱动
lsmod | grep nouveau

如果有内容输出,则说明nouveau已被启用,需要执行后续从b.开始的步骤以将nouveau禁用;如果没有内容输出,则可以直接安装nvidia驱动。

  • b. 修改blacklist.conf配置

blacklist.conf文件的位置:

/etc/modprobe.d/blacklist.conf

不管是通过vi、vim,还是直接修改,选择一种即可,本文采用直接修改的方法进行后续步骤。

Ctrl+Alt+T打开一个新的命令行窗口,通过如下指令切换到blacklist.conf文件所在的目录:

cd ../../etc/modprobe.d 

.conf文件的修改需要管理员权限,需要sudo,通过执行如下指令直接对记事本文件进行修改:

sudo gedit blacklist.conf 

在该文件最后插入以下两行内容:

blacklist nouveau
options nouveau modeset=0

最终效果如图所示:
在这里插入图片描述保存并关闭该文件。

  • c. 更新系统

通过如下命令更新系统,使刚刚修改的文件生效:

sudo update-initramfs -u
  • d. 重启系统

重新启动系统,可以通过图形界面直接重启,也可以通过命令行重启。本文通过命令行重新启动,在任意命令行中输入如下命令:

reboot

等待系统重启完成。

  • e. 验证nouveau是否已禁用

再次通过如下命令,查看是否有输出:

lsmod | grep nouveau

此时,命令行输出为空,如下图所示。

说明nouveau显卡驱动已被禁用,此时可以安装nvidia显卡驱动。

2.2 安装NVIDIA驱动

chmod +x NVIDIA-Linux-x86_64-535.54.03.run
  • 通过如下命令运行下载好的.run文件:
sudo ./NVIDIA-Linux-x86_64-535.54.03.run

注意

“./”后的文件名需要换成在Step 1中根据自己电脑下载的驱动的名称!

安装过程中提示的东西全部安装即可!

遇到的小问题
报错“you appear to be running an x server; please exit x before installing.”

解决方法:在运行命令后加上 --no-x-check

加上之后的命令最终为:

sudo ./NVIDIAxxxx.run --no-x-check
  • 最后执行以下命令看是否安装成功:
nvidia-smi

在这里插入图片描述

3.测试深度学习模型

3.1 安装anaconda

bash Anaconda3-2022.05-Linux-x86_64.sh

在这里插入图片描述

3.2 搭建虚拟环境

#新建虚拟环境
conda create yolov8 python=3.8
pip install ultralytics

#激活虚拟环境
conda activate yolov8

#推理:
yolo predict model=yolov8n.pt source=./ultralytics/assets/bus.jpg

在这里插入图片描述
搞定:
在这里插入图片描述

参考:

1. 联想win10安装ubuntu20.04双系统
2.通过命令行关闭Bitlocker
3.Ubuntu安装Nvidia显卡驱动
4.Ubuntu安装Anaconda详细步骤

<think>好的,我需要帮助用户在Ubuntu系统上安装YOLOv1并配置运行环境。首先,用户提到了YOLOv11,但可能是指YOLOv1,因为YOLOv11可能不存在。我需要先确认这一点,但假设用户确实是指YOLOv1。 接下来,用户的需求是安装YOLOv1并配置环境。根据提供的引用内容,用户可能已经参考了一些关于CUDA、cuDNN和Anaconda安装的教程,所以可能需要先确保这些依赖项已经正确安装。 首先,我需要列出安装YOLOv1所需的步骤。通常,这类项目需要Python环境、依赖库、CUDA和cuDNN的支持,以及可能的框架如Darknet。但YOLOv1的具体安装步骤可能有所不同,我需要回忆或查找相关安装指南。 根据引用[^1],用户可能已经安装了Anaconda和虚拟环境,所以建议用户使用conda创建虚拟环境。然后安装必要的Python库,比如OpenCV、numpy等。YOLOv1可能需要特定的框架,比如Darknet,所以需要下载源代码并编译。 另外,引用[^2]提到了安装NVIDIA驱动和CUDA,所以需要确保用户已经安装了合适的驱动和CUDA版本。YOLOv1可能对CUDA版本有要求,可能需要较旧的版本,比如CUDA 10.0或类似,这需要确认。 接下来,安装步骤可能包括: 1. 安装NVIDIA驱动和CUDA,参考用户提供的链接进行安装。 2. 安装cuDNN,对应CUDA的版本。 3. 使用conda创建虚拟环境安装Python依赖。 4. 下载YOLOv1的源代码,编译(如果是基于C的Darknet)。 5. 测试安装是否成功。 需要注意的是,YOLOv1比较旧,可能不支持最新的CUDA版本,可能需要降级CUDA或者寻找兼容的版本。此外,依赖库的版本也需要匹配,否则可能出现兼容性问题。 可能的问题包括:如何安装旧版本的CUDA,如何配置Darknet,如何处理可能的编译错误,以及如何测试YOLOv1的运行。此外,用户可能需要下载预训练的权重文件来进行目标检测。 在回答中,需要逐步引导用户完成这些步骤,并提醒可能的注意事项,比如版本兼容性、依赖安装顺序等。同时,根据用户提供的引用,可以推荐他们参考已有的环境配置教程来安装CUDA和cuDNN,然后结合YOLOv1的具体要求进行调整。 最后,生成相关问题,帮助用户进一步解决可能遇到的问题,比如环境配置问题、依赖冲突、编译错误等。</think>### 在 Ubuntu 系统中安装 YOLOv1 并配置运行环境的分步指南 #### 1. **安装 NVIDIA 驱动和 CUDA** YOLOv1 依赖 GPU 加速计算,需先安装 NVIDIA 驱动和 CUDA 工具包: - **安装 NVIDIA 驱动** 使用 `ubuntu-drivers devices` 查看推荐驱动版本,并通过以下命令安装(以驱动版本 525 为例): ```bash sudo apt install nvidia-driver-525 ``` 安装后重启系统,运行 `nvidia-smi` 确认驱动状态。 - **安装 CUDA** 下载与驱动兼容的 CUDA 版本(例如 CUDA 11.6): ```bash wget https://developer.download.nvidia.com/compute/cuda/11.6.2/local_installers/cuda_11.6.2_510.47.03_linux.run sudo sh cuda_11.6.2_510.47.03_linux.run ``` 安装时需取消勾选驱动安装选项(已安装驱动)。 #### 2. **配置 cuDNN** 从 [NVIDIA 官网](https://developer.nvidia.com/cudnn) 下载与 CUDA 版本匹配的 cuDNN,解压后复制文件到 CUDA 目录: ```bash sudo cp cudnn-linux-x86_64-8.x.x.x_cudaX.Y/include/* /usr/local/cuda/include/ sudo cp cudnn-linux-x86_64-8.x.x.x_cudaX.Y/lib/* /usr/local/cuda/lib64/ ``` #### 3. **创建 Python 虚拟环境** 使用 Anaconda 管理环境以避免依赖冲突: ```bash conda create -n yolov1 python=3.6 # YOLOv1 可能需较低 Python 版本 conda activate yolov1 ``` #### 4. **安装依赖库** 安装基础库和深度学习框架(若 YOLOv1 基于 Darknet): ```bash pip install numpy opencv-python matplotlib # 如需 PyTorch 版本,需安装对应版本(例如 PyTorch 1.7) pip install torch==1.7.0 torchvision==0.8.0 ``` #### 5. **下载并编译 YOLOv1 源码** 从官方仓库获取代码(假设为 Darknet 实现): ```bash git clone https://github.com/pjreddie/darknet.git cd darknet make ``` 修改 `Makefile` 中的 `GPU=1` 和 `CUDNN=1` 以启用 GPU 加速。 #### 6. **测试安装** 下载预训练权重并运行检测: ```bash wget https://pjreddie.com/media/files/yolov1.weights ./darknet detector test cfg/coco.data cfg/yolov1.cfg yolov1.weights data/dog.jpg ``` #### 7. **常见问题处理** - **CUDA 版本不兼容**:若编译报错,尝试降低 CUDA 版本(如 CUDA 10.1)。 - **依赖缺失**:通过 `apt install build-essential` 安装编译工具。 - **虚拟环境激活失败**:检查 Anaconda 路径是否加入 `.bashrc`。 ---
评论 3
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

明月醉窗台

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值