Ubuntu环境下实现Yolo，CPU+GPU

### Ubuntu 上安装和配置 YOLO 环境 #### 准备工作 为了确保顺利安装，在开始之前确认系统已更新至最新状态并安装必要的依赖包。 ```bash sudo apt update && sudo apt upgrade -y sudo apt install git wget build-essential libgl1-mesa-glx -y ``` #### Anaconda 安装 对于稳定管理和隔离不同项目所需的 Python 版本及其库，推荐使用 Anaconda 或 Miniconda 来管理环境。Anaconda 是一个开源的数据科学平台，包含了 Conda 这个强大的包管理系统[^1]。 下载适合系统的 Anaconda 或者更轻量级的 Miniconda 并按照官方说明完成安装过程。完成后可以通过命令 `conda -V` 和 `python -V` 查看是否成功安装以及对应的版本号[^2]。 #### 创建虚拟环境 创建专门用于 YOLO 的新环境可以防止与其他项目的冲突，并保持开发环境整洁有序。这里指定 Python 3.8 作为目标解释器版本： ```bash conda create -n yolo5 python=3.8 ``` 激活新建的环境以便后续操作都在此环境中执行： ```bash conda activate yolo5 ``` #### 安装 PyTorch 及其他依赖项 考虑到不同的硬件支持情况（CPU/GPU），选择合适的 PyTorch 安装方式非常重要。如果计划利用 NVIDIA GPU 加速模型训练，则需先确认 CUDA 已正确设置好。假设已经具备 CUDA 11.x 支持的情况下，可通过如下指令来安装兼容版本的 PyTorch: ```bash conda install pytorch torchvision torchaudio cudatoolkit=11.3 -c pytorch ``` 除此之外，还需根据具体需求安装额外的一些 Python 库文件，比如 NumPy, Matplotlib 等常用工具；这些通常可以直接通过 pip 或 conda 命令获取。 #### 获取 YOLO 源码 从 GitHub 克隆仓库到本地机器上，这样可以获得最新的源代码及预训练权重文件。以 Mamba-YOLO 为例： ```bash git clone https://github.com/HZAI-ZJNU/Mamba-YOLO.git cd Mamba-YOLO/ ``` 进入克隆下来的目录后，依据 README.md 中给出的具体指导进一步调整配置参数或运行脚本来初始化项目结构[^3]。 #### 测试验证 最后一步是对整个流程做一个简单的检验——尝试加载预训练好的检测网络并对一张图片做推理预测。这不仅能够帮助理解 API 使用方法，也能及时发现潜在的问题所在。