YOLO26 GPU环境搭建：从零开始的保姆级CUDA与PyTorch教程

说实话，每次看到群里有人问“为什么我的YOLO训练只用CPU跑”、“CUDA不可用怎么回事”，我都能猜到七八成原因：多半是PyTorch装成了CPU版，或者CUDA版本和驱动对不上。这种问题坑了无数新人，也让我觉得有必要写一篇真正从头开始的保姆级教程。

这篇文章要做的，就是基于Ultralytics生态的YOLO26，从一台“干净”的电脑开始，完成GPU环境搭建、PyTorch安装、Ultralytics部署、数据集准备，以及模型训练的完整流程。全程以NVIDIA显卡为例，因为目前YOLO系列的GPU训练生态基本都围绕CUDA展开。无论你是刚接触目标检测的学生、准备落地项目的开发者，还是被各种环境报错劝退的初学者，按这篇教程走一遍，大概率能顺利跑到训练结束。

先提前打个预防针：环境搭建本身不复杂，复杂的是版本不匹配。我会先把那套版本关系讲清楚，再动手敲命令。这样即便以后遇到没见过的报错，你也能自己判断问题出在哪一层。

1. 动手之前：先搞清楚GPU、驱动、CUDA与PyTorch的协作关系

1.1 为什么很多人装完环境跑不了

我见过太多人卡在同一个地方：按照某个教程装完了Anaconda，pip install ultralytics 也成功了，结果一跑训练，日志里输出“Using CPU”，或者提示CUDA不可用。然后开始怀疑驱动有问题，重装驱动、重装CUDA，折腾一晚上，最后发现只是PyTorch装成了CPU版。

这种问题的根源，在于很多人没理解GPU计算的版本链条。要让YOLO26跑在GPU上，需要四层东西协作：

• 第一层：NVIDIA显卡驱动，负责让操作系统识别GPU，并暴露底层接口
• 第二层：CUDA运行库，PyTorch安装包里自带的那部分，负责把PyTorch的运算指令翻译成GPU能执行的指令
• 第三层：PyTorch，深度学习框架，它编译的时候针对某个CUDA版本生成了对应的二进制代码
• 第四层：Ultralytics，它调用PyTorch的接口，本身不关心CUDA的细节

换句话说，Ultralytics → PyTorch → CUDA库 → 驱动，是一条从上到下的依赖链。链条里任何一环版本对不上，GPU就用不了。最常见的断裂就是第三层：PyTorch装了CPU版，导致上层怎么调都调不到GPU。

1.2 查看自己的硬件配置

动手之前先把家里情况摸清楚。你的显卡型号、显存大小、驱动版本，直接决定你能跑多大的模型、多大的batch size。

Windows下查看显卡：任务管理器 → 性能 → GPU，能看到GPU型号、专用显存、驱动版本。如果任务管理器里没有GPU选项，大概率是驱动没装好，先去NVIDIA官网装驱动。

Linux下查看：终端运行 nvidia-smi，能看到GPU型号、显存总量、当前驱动版本、以及右上角有个CUDA Version: 12.x，这个后面要重点讲。

显存大小怎么影响训练？简单说，YOLO26系列有很多尺寸，n、s、m、l、x，模型越大显存占用越高。6GB显存跑yolo26n/yolo26s很舒服，batch 16、imgsz 640没问题；要是想跑yolo26x，batch 16可能直接爆显存。我建议新手根据显存选模型：

这个表是我实测过的参考值，具体还要看数据集图片本身的复杂度，但作为起点足够用了。

1.3 版本链条的匹配逻辑

关于CUDA版本，有一个几乎人人都会误解的点：nvidia-smi 右上角显示的CUDA Version: 12.4，并不是你电脑里已经装了CUDA Toolkit，它只是你当前驱动“最高支持”的CUDA版本。

这是什么意思？驱动相当于一栋楼的配电系统，CUDA是各种家电的插头标准。驱动支持的CUDA版本越高，你能用的“家电”（PyTorch等）就越多。比如你的驱动显示CUDA Version: 12.4，意味着它可以运行最高12.4版本的CUDA应用。而如果你需要跑一个cu121构建的PyTorch，那12.4 >= 12.1，完全没问题。

PyTorch官方提供多套GPU版本，常见的有cu118、cu121、cu124等。这几套分别对应CUDA 11.8、12.1、12.4。需要注意的是，这里的cu版本是PyTorch编译时所用的CUDA版本，它自带了需要的CUDA运行库，所以你通常不需要手动安装完整的CUDA Toolkit。

所以正确流程是：

1. 查看驱动支持的CUDA版本
2. 选择一个小于等于驱动支持版本的PyTorch cu版本
3. 安装这个版本的PyTorch
4. 再安装Ultralytics

用表格整理一下常见对应关系：

| 驱动最低版本(Ubuntu) | 驱动最低版本(Windows) | 支持的CUDA版本 | PyTorch构建 | | 450.80.02 | 452.39 | 11.0 | cu110 | | 520.61.05 | 522.25 | 11.8 | cu118 | | 525.60.13 | 527.41 | 12.1 | cu121 | | 550.54.14 | 551.86 | 12.4 | cu124 |

如果你的驱动低于表格中的最低版本，就去NVIDIA官网更新驱动。更新驱动是件很安全的事，确认显卡型号后下载对应驱动即可。

2. 搭建Python独立环境：Anaconda虚拟环境实操

2.1 为什么不建议直接用系统Python

很多老教程直接让你在系统Python里pip install，严格说也能用，但非常不推荐。原因很简单：你以后的项目不止YOLO26一个。今天这个项目要torch 2.0，明天那个项目要torch 1.13，后天的项目可能还要Python 3.9。如果全装一个环境里，依赖冲突会让你疯掉。

用Anaconda的虚拟环境，相当于给每个项目开一间独立房间。房间里的Python版本、包版本互不影响。装坏了随时删除重建，成本极低。对于深度学习这种依赖特别重的场景，虚拟环境几乎是必须的。

2.2 安装Anaconda并创建YOLO26环境

Anaconda从官网下载即可，如果下载慢，国内可以用清华镜像的anaconda目录。Windows安装的时候有个勾选项：把Anaconda加入PATH。我的建议是勾上，这样cmd和PowerShell里能直接用conda命令。如果忘记勾，就用Anaconda Prompt操作，效果一样。

装好后，打开终端（Windows用Anaconda Prompt或者cmd），执行：

conda create -n yolo26 python=3.11 -y

这里创建了一个叫yolo26的环境，Python版本3.11。之所以选3.11，是因为PyTorch和Ultralytics对其支持很成熟，3.12/3.13在某些显卡驱动和CUDA组合下容易遇到兼容性小问题。新手请选择一个被验证过的稳定组合：Python 3.10 或 3.11。

创建完成后激活环境：

conda activate yolo26

你会发现终端开头多了(yolo26)前缀，说明已经进入虚拟环境。后面所有命令，都要在这个环境下进行。

2.3 配置pip国内镜像源

为什么要配置？如果你直接用默认的PyPI源，下载速度可能只有几十KB/s，一个torch好几个G，能下到怀疑人生。配置国内镜像后速度能提升几十倍。

pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple

这条命令会把清华PyPI镜像设为默认源。以后所有pip install默认走镜像，速度飞快。除了清华，阿里云镜像（https://mirrors.aliyun.com/pypi/simple/）也不错，二选一即可。

但这里有个关键提醒：后面安装PyTorch GPU版时，不要用这个清华源！因为PyTorch的CUDA版本wheel并没有在清华PyPI镜像里完整同步（或者同步延迟较大）。安装PyTorch GPU版时，需要明确指定PyTorch官方源（后面第3章详细说）。换句话说，清华源用来装普通包（ultralytics、opencv等），PyTorch单独用官方源。

3. PyTorch GPU版安装与验证：最容易翻车的一步

3.1 确定自己该装哪个CUDA版本

先运行 nvidia-smi，找到右上角的CUDA Version。

比如显示CUDA Version: 12.4，那么你可以安装 cu121 或 cu124 版本的PyTorch。如果显示的是11.8，那装cu118更稳妥（也可以升级驱动后装更高的cu版本）。

关于怎么选，我的建议是：

• 驱动支持的最高CUDA版本大于等于12.1：直接选cu121或cu124
• 驱动支持的CUDA版本在12.0以下：更新驱动，或者选一个与驱动匹配的旧版PyTorch

一个经验是，PyTorch版本越新，通常对显卡的兼容性和训练速度优化越好。所以如果你的驱动不是太老，优先选择PyTorch官方当前推荐的最新cu版本。

3.2 安装PyTorch GPU版

打开PyTorch官网 get-started，选择你的操作系统、包管理器（pip）、CUDA版本，网站会生成对应的安装命令。以cu121为例：

pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121

注意几个点：

• 如果前面配置了清华源，这里加上--index-url可以覆盖全局源，确保从PyTorch官方源下载GPU版
• 千万别直接敲pip install torch，在Windows下，默认源安装的torch是CPU版，这是无数新手踩坑的重灾区
• torchvision的版本必须和torch匹配，用上面命令一起装就不会错

因为torch的wheel包很大（2GB多），官方源下载速度可能也不快。如果实在太慢，可以试试国内的PyTorch镜像，比如阿里云的pytorch-wheels镜像，或者清华的pytorch源。但要注意，不要用北大、豆瓣那些只同步了PyPI的镜像，它们没有完整的CUDA wheel。

3.3 验证GPU可用性

安装完成后，先别急着装Ultralytics。先花30秒验证PyTorch能否调用GPU。在终端执行：

python -c "import torch; print('torch:', torch.__version__); print('cuda:', torch.version.cuda); print('available:', torch.cuda.is_available())"

重点看最后一行。如果输出available: True，说明GPU环境已经打通，可以继续往下走。如果输出False，常见原因有三种：

1. 装的还是CPU版torch，回到3.2重装
2. 驱动版本太低，更新驱动
3. 显卡是AMD/Intel老显卡或核显，不支持CUDA，这种情况只能用CPU或者去关注Ultralytics对其他后端（如ROCm、DirectML）的支持

再做一个更直观的测试：

python import torch x = torch.rand(3, 3).cuda() print(x)

如果这段能输出一个3x3的矩阵，说明GPU计算真正可用。

4. 安装Ultralytics并让YOLO26跑通第一次推理

4.1 安装Ultralytics包

确认GPU可用后，接下来就非常顺了。激活环境，执行：

pip install ultralytics

它会自动把ultralytics及相关依赖（opencv-python、pandas、matplotlib等）装好。如果你之前已经装过，想升级到最新版：

pip install -U ultralytics

装完验证一下版本：

python -c "import ultralytics; print(ultralytics.__version__)"

能看到版本号说明装好了。Ultralytics的版本迭代很快，新版本经常会修复bug和增加新模型，所以我建议尽量用最新版。

4.2 下载预训练权重完成第一次推理

Ultralytics生态最大的好处就是代码极简。打开Python环境，几行代码就能跑通推理：

from ultralytics import YOLO model = YOLO("yolo26n.pt") results = model.predict(source="bus.jpg", device=0)

这里的yolo26n.pt是YOLO26的nano版本预训练权重。如果本地没有，Ultralytics会自动从官方仓库下载。下载慢的话，可以手动去Ultralytics的Release页面下载，把文件放到当前目录即可。

bus.jpg是Ultralytics官方测试图，也可以换成你自己的图片路径。predict方法里的 source 参数支持：

• 单张图片路径
• 文件夹路径（会遍历所有图片）
• 视频文件路径
• 摄像头设备号（如0）
• 或直接一个URL

推理结果会保存在runs/detect/predict目录下，包括检测框、类别标签和置信度。第一次跑通推理，恭喜你，环境已经彻底没问题了。

4.3 确认推理运行在GPU上

虽然Ultralytics默认会自动选择设备，但还是建议你确认一下。有两种方式：

第一种，在predict时显式指定device=0，这样如果GPU不可用会直接报错，不会静默降级。

第二种，在推理过程中打开另一个终端运行nvidia-smi，观察GPU使用率是否跳起来。如果GPU使用率从0%升到几十%，那没问题。

如果看到CUDA out of memory，说明图片太大或者显存太小。这时可以降低imgsz参数：

results = model.predict(source="bus.jpg", device=0, imgsz=640)

刚接触的朋友可能会忽略设备参数的细节，导致模型一直在CPU上默默推理。虽然结果一样，但速度差了二三十倍。第一次跑通后，一定要确认日志里没有“Using CPU”字样。

5. 准备自己的数据集：从标注到训练配置

5.1 标注工具选型与标注流程

环境搞定之后，真正的项目工作开始：准备自己的数据集。YOLO系列使用txt格式的标签，每张图片对应一个同名txt文件，文件里每一行表示一个目标：类别ID、中心点x、中心点y、宽度、高度（都是归一化