Ubuntu 22.04 安装 Miniconda、PyTorch 与 YOLOv8 并完成 CPU 推理本文记录在 VMware Ubuntu 22.04 虚拟机中安装 Miniconda、PyTorch CPU 版和 Ultralytics YOLOv8并使用 YOLOv8n 对示例图片进行目标检测的完整过程。一、实验环境项目配置操作系统Ubuntu 22.04.5 LTS虚拟机VMware WorkstationCPUIntel Core i5-13450HXCPU 核心8 核内存7.5 GiBGPU无 NVIDIA GPU仅 VMware SVGAPython 环境MinicondaPyTorch2.14.0cpuTorchVision0.29.0cpuTorchAudio2.11.0cpuUltralytics8.4.168由于虚拟机没有 NVIDIA 显卡直通也没有安装 NVIDIA 驱动因此这里安装的是PyTorch CPU 版本。检查 NVIDIA 驱动nvidia-smi如果提示nvidia-smi: not found说明当前系统没有可用的 NVIDIA 驱动此时应使用 CPU 版 PyTorch。二、安装 Miniconda1. 下载 Minicondacd ~ curl -fL --retry 3 \ -o /tmp/Miniconda3-latest-Linux-x86_64.sh \ https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh2. 安装到用户目录bash /tmp/Miniconda3-latest-Linux-x86_64.sh \ -b \ -p $HOME/miniconda33. 初始化 Bash$HOME/miniconda3/bin/conda init bash4. 禁止自动激活 base为了避免影响 Vivado、ESP-IDF 和系统 Python建议关闭 base 自动激活$HOME/miniconda3/bin/conda config --set auto_activate_base false重新加载配置source ~/.bashrc检查版本conda --version本文安装结果conda 26.7.1三、创建 PyTorch 虚拟环境1. 关于 Conda 服务条款较新版本的 Conda 在使用 Anaconda 默认源时可能要求接受服务条款CondaToSNonInteractiveError: Terms of Service have not been accepted如果不想使用 Anaconda 默认源可以使用conda-forgeconda create -n pytorch \ --override-channels \ -c conda-forge \ python3.12 \ pip \ -y如果使用默认源则需要先接受对应的服务条款conda tos accept --override-channels --channel https://repo.anaconda.com/pkgs/main conda tos accept --override-channels --channel https://repo.anaconda.com/pkgs/r本文使用conda-forge。2. 激活环境conda activate pytorch检查 Pythonpython --version结果Python 3.12.143. 安装 CPU 版 PyTorch由于当前没有 NVIDIA GPU使用 PyTorch 官方 CPU 软件源安装python -m pip install \ torch torchvision torchaudio \ --index-url https://download.pytorch.org/whl/cpu安装完成后检查python - PY import torch import torchvision import torchaudio print(torch:, torch.__version__) print(torchvision:, torchvision.__version__) print(torchaudio:, torchaudio.__version__) print(cuda_available:, torch.cuda.is_available()) PY输出结果torch: 2.14.0cpu torchvision: 0.29.0cpu torchaudio: 2.11.0cpu cuda_available: Falsecuda_available: False表示当前使用的是 CPU 版本这是正常的。四、安装 Ultralytics YOLOv8在pytorch环境中执行conda activate pytorch python -m pip install ultralytics检查版本python - PY import ultralytics print(ultralytics.__version__) PY本文安装版本8.4.168查看yolo命令位置command -v yolo输出类似$HOME/miniconda3/envs/pytorch/bin/yolo注意yolo命令位于 Conda 虚拟环境内部必须先激活环境才能使用。五、运行 YOLOv8 图片检测创建工作目录mkdir -p ~/yolov8 cd ~/yolov8激活环境source ~/.bashrc conda activate pytorch执行推理yolo predict \ modelyolov8n.pt \ sourcehttps://ultralytics.com/images/bus.jpg \ devicecpu第一次运行会自动下载yolov8n.pt bus.jpg本文运行结果Ultralytics 8.4.168 Python-3.12.14 torch-2.14.0cpu CPU: Intel Core i5-13450HX YOLOv8n summary (fused): 72 layers 3,151,904 parameters 0 gradients 8.7 GFLOPs image 1/1 bus.jpg: 640x480 4 persons 1 bus 1 stop sign速度统计Preprocess: 5.7 ms Inference: 90.5 ms Postprocess: 9.2 ms结果图片保存位置类似~/yolov8/runs/detect/predict-2/bus.jpg每次运行都会生成一个新的编号目录例如runs/detect/predict runs/detect/predict-2 runs/detect/predict-3所以第二次运行结果是predict-2。六、查看检测结果可以使用 Ubuntu 图片查看器xdg-open ~/yolov8/runs/detect/predict-2/bus.jpg也可以使用 VS Code 打开code ~/yolov8/runs/detect/predict-2/bus.jpg结果图片中会绘制检测框、类别名称和置信度。七、检测本地图片例如检测~/Pictures/test.jpg命令conda activate pytorch cd ~/yolov8 yolo predict \ modelyolov8n.pt \ source$HOME/Pictures/test.jpg \ devicecpu如果需要指定输出目录yolo predict \ modelyolov8n.pt \ source$HOME/Pictures/test.jpg \ project$HOME/yolov8/output \ nametest_result \ devicecpu输出~/yolov8/output/test_result/test.jpg八、检测整个图片目录yolo predict \ modelyolov8n.pt \ source$HOME/Pictures \ devicecpuUltralytics 会遍历目录中的所有图片并保存检测结果。九、检测视频yolo predict \ modelyolov8n.pt \ source$HOME/videos/test.mp4 \ devicecpuCPU 推理视频会比较慢。视频越清晰、分辨率越高处理时间越长。十、保存检测结果1. 保存带框图片默认情况下yolo predict modelyolov8n.pt sourcebus.jpg会自动保存带检测框的图片。2. 保存文本结果yolo predict \ modelyolov8n.pt \ sourcebus.jpg \ save_txtTrue \ save_confTrue通常会生成类似runs/detect/predict/labels/bus.txt每一行格式大致为class_id x_center y_center width height confidence3. 只显示结果不保存yolo predict \ modelyolov8n.pt \ sourcebus.jpg \ saveFalse十一、导出 ONNX 模型在pytorch环境中执行conda activate pytorch cd ~/yolov8 yolo export \ modelyolov8n.pt \ formatonnx生成文件yolov8n.onnxONNX 可以用于ONNX RuntimeOpenCV DNNTensorRT部分 FPGA 推理框架其他深度学习部署工具查看模型信息python - PY import onnx model onnx.load(yolov8n.onnx) onnx.checker.check_model(model) print(ONNX model check passed) PY如果没有安装 ONNXpip install onnx十二、使用 Python 调用 YOLOv8除了命令行也可以直接使用 Pythonfrom ultralytics import YOLO model YOLO(yolov8n.pt) results model.predict( sourcebus.jpg, devicecpu, saveTrue ) for result in results: print(result.boxes)运行conda activate pytorch python test_yolo.py十三、VS Code 中使用 Conda 环境打开 VS Code 后在集成终端执行source ~/.bashrc conda activate pytorch检查 Pythonwhich python python --version需要得到类似$HOME/miniconda3/envs/pytorch/bin/python Python 3.12.14如果 VS Code 仍然使用系统 Python可以按Ctrl Shift P执行Python: Select Interpreter选择$HOME/miniconda3/envs/pytorch/bin/python十四、常见问题1. Command yolo not found错误Command yolo not found原因没有激活pytorch环境没有安装 Ultralytics。解决方法source ~/.bashrc conda activate pytorch python -m pip install ultralytics验证command -v yolo2. conda 命令找不到conda: command not found解决方法source ~/miniconda3/etc/profile.d/conda.sh或者重新打开终端source ~/.bashrc3. Conda 要求接受服务条款错误CondaToSNonInteractiveError: Terms of Service have not been accepted可以选择使用conda-forgeconda create -n pytorch \ --override-channels \ -c conda-forge \ python3.12 pip -y4. cuda_available 为 Falsetorch.cuda.is_available()输出False原因虚拟机没有 NVIDIA GPU没有安装 NVIDIA 驱动安装的是 CPU 版 PyTorch。如果只是学习 YOLOv8 推理CPU 版可以使用但速度较慢。5. 每次运行结果目录编号增加这是正常现象predict predict-2 predict-3如果需要固定目录yolo predict \ modelyolov8n.pt \ sourcebus.jpg \ projectoutput \ namebus_result \ exist_okTrueexist_okTrue表示允许覆盖已有目录。6. 下载模型慢模型默认从 GitHub 下载。如果网络较慢可以手动下载yolov8n.pt放到当前目录后再运行yolo predict modelyolov8n.pt sourcebus.jpg十五、总结本文完成了以下内容在 Ubuntu 22.04 中安装 Miniconda创建独立的pytorchConda 环境安装 Python 3.12安装 CPU 版 PyTorch、TorchVision 和 TorchAudio安装 Ultralytics YOLOv8使用 YOLOv8n 对示例图片进行目标检测检测到 4 个人、1 辆公交车和 1 个停车标志使用 CPU 完成约 90.5 ms 的单张图片推理了解本地图片、目录、视频和 ONNX 导出的使用方法。常用命令总结source ~/.bashrc conda activate pytorch cd ~/yolov8 yolo predict modelyolov8n.pt sourcehttps://ultralytics.com/images/bus.jpg devicecpu yolo predict modelyolov8n.pt source$HOME/Pictures/test.jpg devicecpu yolo export modelyolov8n.pt formatonnx当前系统没有 NVIDIA GPU因此 YOLOv8 使用 CPU 运行。后续如果需要大幅提高推理速度需要配置 NVIDIA 显卡直通、安装驱动和 CUDA并重新安装 GPU 版 PyTorch。