YOLOv12目标检测模型一键部署教程：基于Ubuntu20.04的完整环境配置-育师

YOLOv12目标检测模型一键部署教程：基于Ubuntu20.04的完整环境配置

想试试最新的YOLOv12，但被复杂的CUDA、PyTorch环境搞得头大？别担心，这篇教程就是为你准备的。我们绕开那些繁琐的本地环境配置，直接在云端搞定一切。今天，我将手把手带你，在星图GPU平台上，基于Ubuntu 20.04系统，完成YOLOv12的一键式部署和测试。整个过程就像搭积木，跟着步骤走，半小时内你就能跑起自己的第一个检测demo。

我们的目标很简单：让你快速拥有一个能跑YOLOv12的、免配置的、带GPU的完整开发环境。你不需要自己去折腾驱动、编译PyTorch，甚至不用关心CUDA版本。准备好了吗？我们开始吧。

1. 环境准备：选择正确的“地基”

万事开头难，但选对了起点，后面就一马平川。部署YOLOv12，最关键的一步就是准备一个“干净”且“强力”的环境。这里，我们选择在星图平台上操作，因为它已经为我们预置好了最头疼的部分。

1.1 为什么选择星图平台与Ubuntu 20.04？

你可能想问，为什么非要用这个组合？原因很直接：

免去环境噩梦：YOLOv12依赖特定版本的PyTorch、CUDA和cuDNN。在本地安装，版本冲突、驱动不兼容是家常便饭。星图的镜像已经把这些依赖都打包好了，开箱即用。
GPU算力即取即用：目标检测模型推理很吃算力，没有GPU会慢到怀疑人生。平台直接提供了带GPU的实例，我们只需要按需使用，不用自己买显卡。
Ubuntu 20.04的稳定性：这是一个长期支持版本，社区支持完善，软件生态稳定，能最大程度减少因系统版本带来的奇怪问题。

简单说，这个组合能帮你跳过至少80%的部署坑。

1.2 创建你的GPU实例

现在，我们进入实操第一步。登录星图平台后，找到创建计算实例的入口。

选择镜像：这是最关键的一步。在镜像市场或选择镜像时，搜索并选择一个预装了PyTorch、CUDA和cuDNN的Ubuntu 20.04镜像。通常镜像名称会包含“PyTorch”、“GPU”等关键词。一个好的基础镜像能让你后续安装YOLOv12时畅通无阻。
选择实例规格：根据你的需求选择带GPU的规格。对于YOLOv12的测试和学习，一块显存8GB或以上的GPU（如V100、A10等）完全够用。CPU和内存选择配套的规格即可。
配置存储与网络：系统盘建议50GB以上，确保有足够空间存放模型和数据。网络和安全组保持默认设置，通常不需要额外修改。
创建并连接：点击创建，等待几分钟实例启动完成。然后，通过平台提供的Web Shell或使用SSH客户端（如Termius、Xshell）连接到你的Ubuntu服务器。

连接成功后，你应该能看到一个命令行终端，类似这样：

ubuntu@your-instance-ip:~$

恭喜，你的“地基”已经打好了！

2. 部署YOLOv12：克隆、安装、验证

环境就绪，现在让我们把主角YOLOv12请上台。整个过程就是标准的Git克隆和Python包安装。

2.1 获取YOLOv12官方代码

首先，我们通过Git把YOLOv12的代码仓库克隆到本地。打开终端，执行：

# 克隆YOLOv12官方仓库（请以Ultralytics官方发布为准，此处为示例） git clone https://github.com/ultralytics/ultralytics.git cd ultralytics

git clone命令会把最新的代码下载到当前目录下的ultralytics文件夹里，cd命令则让我们进入这个文件夹进行操作。

2.2 安装Python依赖包

YOLOv12运行需要一系列Python库。项目通常会提供一个requirements.txt文件来管理这些依赖。我们使用pip来安装它们：

# 安装核心依赖包 pip install -r requirements.txt

这个命令会自动读取requirements.txt文件里的每一行，然后安装所有列出的包，比如PyTorch、torchvision、opencv-python、numpy等等。注意：由于我们使用了预装环境的镜像，PyTorch和CUDA很可能已经正确安装，这一步主要是补全其他辅助库。

如果安装速度慢，可以考虑临时使用国内的镜像源加速：

pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

2.3 验证安装与GPU可用性

安装完成后，我们写个简单的Python脚本来验证一切是否正常，特别是GPU能不能用。

创建一个名为check_env.py的文件：

nano check_env.py

然后在文件中输入以下内容：

import torch import ultralytics print(f"PyTorch 版本: {torch.__version__}") print(f"CUDA 是否可用: {torch.cuda.is_available()}") if torch.cuda.is_available(): print(f"GPU 设备名称: {torch.cuda.get_device_name(0)}") print(f"CUDA 版本: {torch.version.cuda}") print(f"Ultralytics (YOLO) 版本: {ultralytics.__version__}")

按Ctrl+X，然后按Y，再按Enter保存并退出。

运行这个脚本：

python check_env.py

如果一切顺利，你会看到类似下面的输出，这证明你的环境完全OK：

PyTorch 版本: 2.x.x+cu121 CUDA 是否可用: True GPU 设备名称: NVIDIA A10 CUDA 版本: 12.1 Ultralytics (YOLO) 版本: 8.x.x

看到CUDA 是否可用: True和具体的GPU名称，心里就踏实了。

3. 快速上手：运行你的第一个检测

环境验证通过，是时候体验YOLOv12的威力了。我们用官方预训练模型和一张示例图片，快速跑通一个检测流程。

3.1 使用官方CLI进行图片推理

Ultralytics的YOLO包提供了非常易用的命令行接口。最简单的方式，直接使用yolo命令。我们检测一张来自网络的小猫图片。

在终端中执行：

# 使用YOLOv12n模型（最小的模型，速度快）检测一张网络图片 yolo predict model=yolov12n.pt source='https://ultralytics.com/images/bus.jpg'

执行这个命令后，程序会自动完成以下几件事：

检查本地是否有yolov12n.pt模型文件，如果没有，会自动从官网下载。
下载指定的示例图片bus.jpg。
使用模型对图片进行推理，检测其中的物体（比如公交车、行人）。
将检测结果（带标注框的图片）保存在当前目录下的runs/detect/predict文件夹里。

完成后，你可以通过文件浏览器查看生成的bus.jpg图片，上面应该画出了检测到的物体框和类别标签。

3.2 编写一个简单的Python推理脚本

除了命令行，我们更常用Python脚本来进行更灵活的控制。下面是一个基础的推理脚本示例。

创建一个新文件run_detection.py：

nano run_detection.py

输入以下内容：

from ultralytics import YOLO import cv2 # 1. 加载预训练模型（这里以yolov12n为例） model = YOLO('yolov12n.pt') # 首次运行会自动下载模型 # 2. 指定图片源（可以使用本地图片路径，如 ‘./your_image.jpg’） source = ‘https://ultralytics.com/images/zidane.jpg’ # 3. 执行预测 results = model(source) # 4. 处理并展示结果 for result in results: # 在图片上绘制检测框 annotated_frame = result.plot() # 使用OpenCV显示图片 cv2.imshow(“YOLOv12 Detection”, annotated_frame) cv2.waitKey(0) # 等待按键 cv2.destroyAllWindows() # 也可以直接保存结果 result.save(filename=‘./result_zidane.jpg’) print(“检测结果已保存为 result_zidane.jpg”) # 打印检测到的物体信息 print(results[0].boxes)

运行这个脚本：

python run_detection.py

脚本会下载另一张示例图片并进行检测，最后弹出一个窗口显示带检测框的结果，同时将结果保存为result_zidane.jpg。在终端里，你还会看到打印出的检测框信息，包括坐标、置信度和类别。

4. 常见问题与实用技巧

第一次部署，难免会遇到一些小问题。这里我总结几个常见的，帮你提前排雷。

4.1 依赖安装失败或版本冲突

问题：运行pip install -r requirements.txt时报错，提示某个包找不到或版本不兼容。
解决：
1. 升级pip：pip install --upgrade pip
2. 逐一安装：尝试注释掉requirements.txt里出错的包，先安装其他的，再单独处理有问题的包。
3. 使用虚拟环境：在项目目录下创建Python虚拟环境，能有效隔离依赖。
```
python -m venv yolov12_env source yolov12_env/bin/activate # Linux激活环境 pip install -r requirements.txt
```

4.2 推理时CUDA内存不足（Out of Memory）

问题：运行检测时，程序崩溃并提示CUDA out of memory。
解决：
1. 换用更小的模型：yolov12n.pt比yolov12x.pt占用显存小得多。从-n(nano) 版本开始尝试。
2. 减小推理尺寸：在预测时指定更小的图片尺寸。
```
yolo predict model=yolov12n.pt source=‘your_image.jpg’ imgsz=640
```
  或在Python脚本中：
```
results = model(source, imgsz=640)
```
3. 检查后台进程：使用nvidia-smi命令查看是否有其他进程占用了GPU内存。

4.3 如何检测自己的视频或摄像头流

检测图片只是开始，检测视频或实时摄像头更有趣。修改一下脚本的source参数即可：

from ultralytics import YOLO import cv2 model = YOLO(‘yolov12n.pt’) # 检测本地视频文件 # results = model(‘./your_video.mp4’, save=True) # save=True 会保存结果视频 # 检测摄像头（0代表默认摄像头） cap = cv2.VideoCapture(0) while cap.isOpened(): ret, frame = cap.read() if not ret: break # 对每一帧进行检测 results = model(frame, verbose=False) # verbose=False关闭冗余输出 annotated_frame = results[0].plot() cv2.imshow(‘YOLOv12 Real-Time Detection’, annotated_frame) if cv2.waitKey(1) & 0xFF == ord(‘q’): break cap.release() cv2.destroyAllWindows()