Windows 下 Mamba Yolo 的运行环境配置（最全）

Mamba-Yolo （AAAI 2025）是《Mamba YOLO: SSMs-Based YOLO For Object Detection》一文中提出的，在Yolo v8中加入VMamba模块的Yolo算法。GitHub项目代码为：https://github.com/HZAI-ZJNU/Mamba-YOLO。很多同学通过博客《Windows环境下Mamba-Yolo的运行环境搭建》找到笔者询问安装包等相关事宜，由于原文作者的环境是本人配置，原文博客未解释清楚原理，特此叙述。

- 环境配置

1. 环境安装原理

从其论文和项目代码可知，Mamba YOLO 的核心是Vmamba （VMamba: Visual State Space Model），本人给那位同学的也是用自己编译的 Windows下的 VMamba （含selective_scan_cuda_core模块）。因此，基本的安装只需要参考本人之前的系列博客：

• Windows 下 VMamba 安装教程（无需更改base环境中的cuda版本且可加速）（此版本为 cuda 11.8，需要绕过triton）
• Windows 下Mamba2 / Vim / Vmamba 环境安装问题记录及解决方法终极版（无需绕过triton）（此版本为 cuda 12.4，无需绕过triton）

整个过程已经开源，大家可以按照教程自己编译即可，成功编译后会在虚拟环境里（xxx\conda\envs\xxx\Lib\site-packages\）生成：
selective-scan-cuda-core.cp310-win-amd64.pyd；selective-scan-cuda-oflex.cp310-win-amd64.pyd。

如果嫌麻烦，本人编译好的 whl 安装包也有（python，torch及cuda版本需要和博客里保持一致）：

• CUDA 11.8：【优快云：selective-scan-0.0.2-cp310-cp310-win-amd64.whl （包含core）】；或者【优惠通道：（含core / cuda11.8）selective-scan-0.0.2-cp310-cp310-win-amd64.whl】
• CUDA 12.4：【优快云：（只适用于torch 2.4，cuda12.4，python 3.10，GPU算力8.9）selective-scan-0.0.2-cp310-cp310-win-amd64.whl（包含core）】或者 【mbd优惠地址】
• CUDA 12.4：【优快云：通用算力版（cuda12.4）selective-scan-0.0.2-cp310-cp310-win-amd64.whl（包含core）】或者 【mbd优惠地址】

即使是终极版没有绕过triton，在Windows上运行目测还是和Linux上区别，如果有条件，最好还是换成Linux平台。

2. 关于 selective_scan_cuda

注意，selective_scan_cuda.cp310-win_amd64.pyd 是selective_scan_cuda模块对应的文件，它是成功安装 Mamba 后生成的文件。在 Vmamba 里面，selective_scan_cuda （其代码里简称为“cuda”）是可选的，不是必须，Mamba YOLO 里面的readme同样也未曾说这是必须要安装的。如果个人有研究的需要，想要安装 Mamba，可以参考本人之前的系列教程：

• Window 下Mamba 环境安装踩坑问题汇总及解决方法 （无需绕过selective_scan_cuda）（CUDA 11.8 ， Mamba1版本，不支持triton）
• Windows 下Mamba2 环境安装问题记录及解决方法（causal_conv1d=1.4.0，mamba_ssm=2.2.2）（CUDA 11.8 ， Mamba2版本，不支持triton）
• Windows 下Mamba2 / Vim / Vmamba 环境安装问题记录及解决方法终极版（无需绕过triton）（CUDA 12.4 ， Mamba2版本，支持triton）

配置过程依旧是开源的，大家可以按照教程自己编译即可，成功编译后会在虚拟环境里（xxx\conda\envs\xxx\Lib\site-packages\）生成：selective_scan_cuda.cp310-win_amd64.pyd。如果嫌麻烦，本人编译好的 whl 安装包链接在博客里也有（python，torch及cuda版本需要和博客里保持一致）。

selective_scan_cuda 只在 Mamba-YOLO/ultralytics/nn/modules/common_utils_mbyolo.py 下开头出现：

try:
    "sscore acts the same as mamba_ssm"
    import selective_scan_cuda_core
except Exception as e:
    print(e, flush=True)
    "you should install mamba_ssm to use this"
    SSMODE = "mamba_ssm"
    import selective_scan_cuda
    # from mamba_ssm.ops.selective_scan_interface import selective_scan_fn, selective_scan_ref

即 selective_scan_cuda_core 导入失败才会导入 selective_scan_cuda，如个人无这种特殊需求，可以不安装 Mamba 。

3. 环境验证

尝试运行 import selective_scan_cuda_core，一般无报错即可。

- 报错及解决

大部分报错可以参考本人之前的系列博客。

4. DLl load failed

使用whl 安装的同学需要跟对应博客的环境（python 3.10，torch 及 cuda 版本）相同，否则会由于版本不匹配出现 DLl load failed 错误：

ImportError: DLL load failed while importing selective_scan_cuda_core: 找不到指定的程序。

检查识别到的CUDA版本是否和博客里的一致：

nvcc -V
python -c "import torch.utils.cpp_extension; print(torch.utils.cpp_extension.CUDA_HOME)"

5. FutureWarning

出现

FutureWarning: Importing from timm.models.layers is deprecated, please import via timm.layers

这不是报错，只是警告，可以观察程序正常运行完成。

- 模型训练

由于平台的不同，对 Mamba-YOLO/mbyolo_train.py 文件里面包含文件路径的部分略作修改：

from ultralytics import YOLO
import argparse
import os
 
ROOT = os.path.abspath('.')
 
 
def parse_opt():
    parser = argparse.ArgumentParser()
    parser.add_argument('--data', type=str, default=os.path.normpath(os.path.join(ROOT,
                        'ultralytics/cfg/datasets/coco8.yaml')), help='dataset.yaml path')
    parser.add_argument(
        '--config', type=str, default=os.path.normpath(os.path.join(ROOT, 'ultralytics/cfg/models/mamba-yolo/Mamba-YOLO-T.yaml')), help='model path(s)')
    parser.add_argument('--batch_size', type=int,
                        default=5, help='batch size')
    parser.add_argument('--imgsz', '--img', '--img-size',
                        type=int, default=640, help='inference size (pixels)')
    parser.add_argument('--task', default='train',
                        help='train, val, test, speed or study')
    parser.add_argument('--device', default='0',
                        help='cuda device, i.e. 0 or 0,1,2,3 or cpu')
    parser.add_argument('--workers', type=int, default=64,
                        help='max dataloader workers (per RANK in DDP mode)')
    parser.add_argument('--epochs', type=int, default=300)
    parser.add_argument('--optimizer', default='SGD', help='SGD, Adam, AdamW')
    parser.add_argument('--amp', action='store_true', help='open amp')
    parser.add_argument('--project', default=os.path.normpath(
        os.path.join(ROOT, 'output_dir/mscoco')), help='save to project/name')
    parser.add_argument('--name', default='mambayolo',
                        help='save to project/name')
    parser.add_argument('--half', action='store_true',
                        help='use FP16 half-precision inference')
    parser.add_argument('--dnn', action='store_true',
                        help='use OpenCV DNN for ONNX inference')
    opt = parser.parse_args()
    return opt
 
 
if __name__ == '__main__':
    print(ROOT)
 
    opt = parse_opt()
    task = opt.task
 
    print(opt.data)
 
    args = {
        "data": opt.data,
        "epochs": opt.epochs,
        "workers": opt.workers,
        "batch": opt.batch_size,
        "optimizer": opt.optimizer,
        "device": opt.device,
        "amp": opt.amp,
        "project": opt.project,
        "name": opt.name,
    }
    # 遍历打印字典args
    for key, value in args.items():
        print(key, value)
 
    model_conf = opt.config
    task_type = {
        "train": YOLO(model_conf).train(**args),
        "val": YOLO(model_conf).val(**args),
        "test": YOLO(model_conf).test(**args),
    }
    task_type.get(task)