YOLO12在Ubuntu20.04上的完整安装指南-Seo优化-凉山彝族自治州网站建设公司

YOLO12在Ubuntu20.04上的完整安装指南

最近YOLO12的发布在计算机视觉圈子里引起了不小的讨论，作为一个以注意力机制为核心的新一代目标检测模型，它在保持实时性的同时，精度表现相当亮眼。不过，很多朋友在尝试安装部署时遇到了各种问题，特别是CUDA版本、PyTorch兼容性这些老生常谈的坑。

今天我就来手把手带你走一遍YOLO12在Ubuntu20.04上的完整安装流程，从系统环境准备到模型测试，把常见的坑都提前填平。整个过程大概需要30-40分钟，跟着步骤走，基本都能一次成功。

1. 安装前的准备工作

在开始安装YOLO12之前，我们需要先把系统环境准备好。Ubuntu20.04是个比较稳定的选择，很多深度学习框架对这个版本的支持都比较好。

1.1 系统要求检查

首先确认一下你的硬件配置，YOLO12虽然对硬件要求不算特别高，但有几个关键点需要注意：

操作系统：Ubuntu 20.04 LTS（其他版本可能也行，但20.04最稳妥）
内存：至少8GB，建议16GB以上
存储空间：至少20GB可用空间
GPU：NVIDIA显卡（支持CUDA），这是必须的，没有GPU跑起来会很慢
Python版本：3.8或3.9（我们这里用3.9）

打开终端，先更新一下系统包：

sudo apt update sudo apt upgrade -y

1.2 安装必要的系统工具

接下来安装一些基础工具，这些在后面配置环境时会用到：

sudo apt install -y wget curl git build-essential cmake pkg-config sudo apt install -y libjpeg-dev libpng-dev libtiff-dev sudo apt install -y libavcodec-dev libavformat-dev libswscale-dev libv4l-dev sudo apt install -y libxvidcore-dev libx264-dev sudo apt install -y libgtk-3-dev sudo apt install -y libatlas-base-dev gfortran sudo apt install -y python3-dev python3-pip python3-venv

这些包包含了编译工具、图像处理库、视频编解码库等，都是深度学习环境的基础依赖。

2. CUDA和cuDNN的安装配置

这是整个安装过程中最关键也最容易出问题的一步。YOLO12官方推荐使用CUDA 11.8，但经过我的测试，CUDA 12.1也能正常工作。我们这里选择CUDA 11.8，因为它的兼容性最好。

2.1 安装NVIDIA驱动

首先检查一下你的显卡型号和当前的驱动版本：

nvidia-smi

如果这个命令报错或者没有显示GPU信息，说明你需要安装NVIDIA驱动。Ubuntu20.04自带的驱动管理器用起来比较方便：

sudo ubuntu-drivers devices

这个命令会列出可用的驱动版本，选择推荐的那个安装：

sudo apt install nvidia-driver-535 # 这里535是示例，实际根据推荐版本调整

安装完成后重启系统：

sudo reboot

重启后再运行nvidia-smi，应该能看到GPU信息了。

2.2 安装CUDA Toolkit 11.8

到NVIDIA官网下载CUDA 11.8的安装包，或者直接用命令行安装：

wget https://developer.download.nvidia.com/compute/cuda/11.8.0/local_installers/cuda_11.8.0_520.61.05_linux.run sudo sh cuda_11.8.0_520.61.05_linux.run

安装过程中需要注意几个选项：

接受许可协议
取消勾选Driver（因为我们已经安装了驱动）
其他选项保持默认

安装完成后，需要配置环境变量。编辑~/.bashrc文件：

nano ~/.bashrc

在文件末尾添加：

export PATH=/usr/local/cuda-11.8/bin${PATH:+:${PATH}} export LD_LIBRARY_PATH=/usr/local/cuda-11.8/lib64${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}} export CUDA_HOME=/usr/local/cuda-11.8

保存后使配置生效：

source ~/.bashrc

验证CUDA安装：

nvcc --version

应该显示CUDA 11.8的相关信息。

2.3 安装cuDNN

cuDNN是NVIDIA的深度神经网络库，需要注册NVIDIA开发者账号才能下载。下载对应CUDA 11.8的cuDNN版本（比如8.9.x）。

下载后解压并复制文件：

tar -xvf cudnn-linux-x86_64-8.9.x.x_cuda11-archive.tar.xz sudo cp cudnn-*-archive/include/cudnn*.h /usr/local/cuda-11.8/include sudo cp -P cudnn-*-archive/lib/libcudnn* /usr/local/cuda-11.8/lib64 sudo chmod a+r /usr/local/cuda-11.8/include/cudnn*.h /usr/local/cuda-11.8/lib64/libcudnn*

3. Python环境和PyTorch安装

现在我们来配置Python虚拟环境并安装PyTorch。虚拟环境的好处是可以隔离不同项目的依赖，避免版本冲突。

3.1 创建虚拟环境

python3.9 -m venv yolov12_env source yolov12_env/bin/activate

激活虚拟环境后，命令行前面会出现(yolov12_env)的提示。

3.2 安装PyTorch

根据CUDA 11.8安装对应的PyTorch版本。到PyTorch官网查看具体的安装命令，对于CUDA 11.8，通常是：

pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118

安装完成后验证PyTorch是否能识别CUDA：

python -c "import torch; print(torch.__version__); print(torch.cuda.is_available())"

应该输出PyTorch版本和True。

4. YOLO12的安装和配置

环境都准备好了，现在可以安装YOLO12了。这里我们使用官方的ultralytics实现。

4.1 安装YOLO12

pip install ultralytics

如果安装过程中遇到问题，可以尝试先升级pip：

pip install --upgrade pip

4.2 可选：安装FlashAttention

YOLO12支持FlashAttention来加速注意力计算，但这不是必须的。如果你的GPU是Turing架构（如T4、RTX20系列）或更新，可以安装：

pip install flash-attn --no-build-isolation

注意：FlashAttention的安装可能会比较耗时，而且对GPU架构有要求。如果安装失败或者你的GPU不支持，直接跳过这一步，YOLO12也能正常工作。

4.3 验证安装

创建一个简单的测试脚本test_install.py：

from ultralytics import YOLO import torch print(f"PyTorch版本: {torch.__version__}") print(f"CUDA可用: {torch.cuda.is_available()}") print(f"CUDA版本: {torch.version.cuda}") print(f"GPU设备: {torch.cuda.get_device_name(0) if torch.cuda.is_available() else '无GPU'}") # 尝试加载一个小的YOLO12模型 try: model = YOLO('yolo12n.pt') print("YOLO12安装成功！") except Exception as e: print(f"安装可能有问题: {e}")

运行这个脚本：

python test_install.py

如果一切正常，你会看到PyTorch和CUDA的信息，以及"YOLO12安装成功！"的提示。

5. 运行第一个YOLO12检测

安装完成了，我们来跑一个实际的例子看看效果。

5.1 下载测试图片

首先准备一张测试图片，你可以用任何图片，或者下载一个示例图片：

wget https://ultralytics.com/images/bus.jpg

5.2 运行目标检测

创建一个Python脚本first_detection.py：

from ultralytics import YOLO import cv2 # 加载预训练的YOLO12n模型（会自动下载） model = YOLO('yolo12n.pt') # 运行检测 results = model('bus.jpg') # 显示结果 for result in results: # 在图片上绘制检测框 annotated_image = result.plot() # 保存结果 cv2.imwrite('bus_detected.jpg', annotated_image) # 打印检测到的物体 print("检测到的物体:") for box in result.boxes: class_id = int(box.cls[0]) class_name = result.names[class_id] confidence = float(box.conf[0]) print(f" - {class_name}: {confidence:.2f}") print(f"\n结果已保存到 bus_detected.jpg") # 如果你有摄像头，也可以试试实时检测 # results = model.predict(source=0, show=True)

运行这个脚本：

python first_detection.py

第一次运行时会自动下载yolo12n.pt模型文件，大概40MB左右。下载完成后，程序会对图片进行检测，并在控制台输出检测到的物体信息，同时生成一个带检测框的图片。

5.3 试试不同的模型

YOLO12有多个尺寸的模型，从轻量级到高精度都有：

# 你可以尝试不同的模型 models = { 'nano': 'yolo12n.pt', # 最快，精度较低 'small': 'yolo12s.pt', # 平衡速度和精度 'medium': 'yolo12m.pt', # 精度较好 'large': 'yolo12l.pt', # 高精度 'xlarge': 'yolo12x.pt' # 最高精度 } # 比如试试small版本 model = YOLO('yolo12s.pt') results = model('bus.jpg')

每个模型的大小和速度不同，可以根据你的需求选择。一般来说，yolo12n适合实时应用，yolo12x适合需要高精度的场景。

6. 常见问题解决

在安装过程中，你可能会遇到一些问题，这里我整理了几个常见的：

6.1 CUDA版本不匹配

如果遇到CUDA error: no kernel image is available for execution这样的错误，通常是CUDA版本不匹配。解决方法是确保PyTorch的CUDA版本和系统安装的CUDA版本一致。

检查版本：

python -c "import torch; print(torch.version.cuda)" nvcc --version

如果不一致，重新安装对应版本的PyTorch。

6.2 内存不足

如果运行模型时出现内存不足的错误，可以尝试：

使用更小的模型（如yolo12n而不是yolo12x）
减小输入图片尺寸：

results = model('bus.jpg', imgsz=320) # 默认是640

6.3 下载模型失败

如果下载预训练模型失败，可以手动下载：

wget https://github.com/ultralytics/assets/releases/download/v0.0.0/yolo12n.pt

然后修改代码直接加载本地文件：

model = YOLO('./yolo12n.pt') # 使用本地文件

6.4 虚拟环境问题

如果你关闭终端后再次打开，需要重新激活虚拟环境：

source yolov12_env/bin/activate

为了方便，可以在~/.bashrc中添加别名：

echo "alias yolov12='source ~/yolov12_env/bin/activate'" >> ~/.bashrc source ~/.bashrc

这样以后只需要输入yolov12就能激活环境了。

7. 进阶使用建议

基本的安装和测试完成后，你可能还想了解更多用法。这里给几个方向：

7.1 使用自定义数据集

YOLO12支持训练自己的数据集。你需要准备YOLO格式的数据：

dataset/ ├── images/ │ ├── train/ │ └── val/ └── labels/ ├── train/ └── val/

然后创建data.yaml文件：

# data.yaml path: /path/to/dataset train: images/train val: images/val # 类别数 nc: 10 # 类别名称 names: ['person', 'car', 'bicycle', 'dog', 'cat', ...]

训练命令：

from ultralytics import YOLO model = YOLO('yolo12s.yaml') # 使用模型配置文件 results = model.train( data='data.yaml', epochs=100, imgsz=640, batch=16, device=0 # 使用GPU 0 )

7.2 模型导出

你可以将训练好的模型导出为其他格式，比如ONNX或TensorRT，以便在不同平台上部署：

model.export(format='onnx') # 导出为ONNX model.export(format='engine') # 导出为TensorRT引擎

7.3 性能优化

如果觉得推理速度不够快，可以尝试：

使用半精度（FP16）推理：

results = model('bus.jpg', half=True)

使用TensorRT加速（需要额外安装TensorRT）
调整conf和iou阈值：

results = model('bus.jpg', conf=0.25, iou=0.45)

8. 总结

走完这一整套流程，你应该已经在Ubuntu20.04上成功安装并运行了YOLO12。整个过程虽然步骤不少，但每一步都有明确的操作，跟着做基本不会有大问题。

实际用下来，YOLO12的安装相比之前的版本确实友好了一些，依赖管理做得比较好。性能方面，注意力机制的引入让它在复杂场景下的表现确实有提升，特别是对小物体的检测。不过资源消耗也确实比纯CNN的版本要高一些，如果你的应用对实时性要求特别高，可能需要在模型大小和精度之间做个权衡。

如果你在安装过程中遇到了其他问题，或者想了解YOLO12更高级的用法，比如多GPU训练、模型蒸馏这些，可以看看官方文档，里面内容挺全的。不过官方文档有时候更新不及时，有些细节可能需要自己摸索或者看看GitHub上的issue。

刚开始接触可能会觉得配置环境有点繁琐，但一旦跑通之后，后面用起来就很顺畅了。深度学习框架的安装部署就是这样，第一次麻烦点，后面就一劳永逸了。

获取更多AI镜像
想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。

YOLO12在Ubuntu20.04上的完整安装指南