前言#

我的工作流是：Windows 训练 → Ubuntu 验证 → Jetson Nano 部署。为了保证模型在三端之间无缝移植，需要在 Ubuntu 上搭建一个和 Jetson 版本对齐的 YOLO 环境。

之前看到的教程大多用 conda，但我最终选择了 uv，原因是已经装好了、速度快、不占额外磁盘。实际用下来完全够用，记录一下过程。

前置条件：显卡驱动#

使用 nvidia-smi 检查是否已安装驱动：

nvidia-smi

如果没装，一条命令搞定：

sudo ubuntu-drivers autoinstall
sudo reboot

现在PyTorch pip wheel 自带 CUDA runtime，不需要单独安装 CUDA Toolkit 和 CUDNN。

我的环境信息#

为什么选 uv 不选 conda#

1. 已经装好了，开箱即用，不需要额外下载 miniconda
2. 速度快，创建环境和装依赖秒级完成
3. 轻量，不吃磁盘和内存，conda 基础环境就要占 3-5GB
4. PyTorch 的 pip wheel 已经自带 CUDA runtime，不需要 conda 的二进制管理能力

唯一需要注意的是网络问题，国内访问 PyPI 官方源容易超时，换国内镜像源即可解决。

安装步骤#

1. 创建虚拟环境#

mkdir ~/yolo-project && cd ~/yolo-project
uv venv --python 3.10
source .venv/bin/activate

激活后终端会出现 yolo-project 前缀（工程名字，可自行修改）。

2. 安装 PyTorch（对应 Jetson 的 2.5.0）#

uv pip install torch==2.5.0 torchvision==0.20.0 -i https://mirrors.aliyun.com/pypi/simple/

使用阿里云镜像源，国内下载速度快。也可以用清华源 https://mirrors.tuna.tsinghua.edu.cn/pypi/simple/。

3. 安装 ultralytics 及其他依赖#

uv pip install ultralytics==8.4.38 numpy==1.23.5 opencv-python-headless -i https://mirrors.aliyun.com/pypi/simple/

4. 验证环境#

python -c "
import torch, torchvision, ultralytics, numpy as np
print(f'PyTorch: {torch.__version__}')
print(f'TorchVision: {torchvision.__version__}')
print(f'CUDA: {torch.cuda.is_available()}')
print(f'Ultralytics: {ultralytics.__version__}')
print(f'NumPy: {np.__version__}')
"

输出类似：

PyTorch: 2.5.0+cu124
TorchVision: 0.20.0+cu124
CUDA: True
Ultralytics: 8.4.38
NumPy: 1.23.5

CUDA: True 表示 GPU 加速可用，环境配置成功。

遇到的问题#

网络超时#

首次安装时直接用 PyPI 官方源，下载 PyTorch 的 CUDA 相关包（nvidia-cublas-cu12、nvidia-cudnn-cu12 等）频繁超时。解决方法就是换国内镜像源，一条命令搞定。

OpenCV 版本冲突#

如果需要摄像头实时检测（cv2.imshow），需要安装完整版 OpenCV：

uv pip uninstall opencv-python-headless
uv pip install opencv-python -i https://mirrors.aliyun.com/pypi/simple/

opencv-python-headless 没有 GUI 功能，无法显示检测窗口。如果只是做推理不需要显示，headless 版本就够了。

摄像头实时检测测试#

写一个简单的测试脚本验证模型和摄像头：

from ultralytics import YOLO
import cv2

model = YOLO("best.pt")
print(f"类别: {model.names}")
print("按 q 退出")

cap = cv2.VideoCapture(0)

while True:
    ret, frame = cap.read()
    if not ret:
        break
    results = model(frame, verbose=False)
    annotated = results[0].plot()
    cv2.imshow("YOLO Detection", annotated)
    if cv2.waitKey(1) & 0xFF == ord('q'):
        break

cap.release()
cv2.destroyAllWindows()

三端版本对齐表#

注意事项#

• 版本必须对齐：训练和推理的 ultralytics 版本要一致，否则模型加载可能报错
• 模型导出格式：Jetson 上推荐用 ONNX 或 TensorRT，不要直接跑 .pt，推理速度差很多
• uv 的坑：用 uv pip install 而不是 pip install，否则包装到系统目录而不是虚拟环境

进阶：安装 CUDA Toolkit（可选）—安装 CUDA 与 CUDNN#

PyTorch 自带 CUDA runtime 已经够用，但以下场景需要单独安装：

• 用 TensorRT 做模型加速部署
• 编译自定义 CUDA 算子
• 从源码编译某些依赖 CUDA 的库

安装步骤#

注意：CUDA 12.1版本根据自己显卡来对应

1. 从 CUDA 12.1 下载页 ↗ 下载 runfile
2. 安装时取消勾选 Driver（已经装过了），只安装 CUDA Toolkit：

sudo sh cuda_12.1.0_530.30.02_linux.run

3. 配置环境变量（编辑 ~/.bashrc）：

export PATH=/usr/local/cuda-12.1/bin${PATH:+:${PATH}}
export LD_LIBRARY_PATH=/usr/local/cuda-12.1/lib64${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}

4. 验证：

nvcc --version

Ubuntu 20.04 兼容性问题#

如果在 Ubuntu 20.04 上使用 runfile 安装时可能报错，原因是 g++ 版本过高（默认是 9）。解决方法： 也可以看看这个链接 ↗

sudo apt install g++-7
sudo update-alternatives --install /usr/bin/g++ g++ /usr/bin/g++-7 100

安装完成后再切回来：

sudo update-alternatives --install /usr/bin/g++ g++ /usr/bin/g++-9 100

总结#

使用体验：用 uv 配置 YOLO 环境确实比 conda 更轻量快速些。 使用ubuntu系统默认已经有不少计算机基础以及独立搜索解决问题的能力,你需要记住在ubuntu进行操作：永远不要动你的内核，尽量不要动系统组件，否则后果自负。

完结撒花。