视觉 Yolov11 环境配置（GPU版）

虚拟环境

首先用 anaconda 创建虚拟环境

根据自己需求创建一个虚拟环境

一个环境名叫 yolov11-py-3-8 就创建好了，后续的 yolov11 就会以这个环境去做深度学习（这里不建议把环境的 py 版本设置到最新，设置个 3.8 或者 3.10 完全够用了）

下一步就是按照 cuda 以及 cudnn 了，首先要先查清楚自己电脑支持什么配置

下载 cuda

右键电脑桌面进入 NVIDIA 控制面板

进入左下角系统信息

这里看到驱动程序版本是：561.19

进入 NVIDIA 官网文档： 1. Why CUDA Compatibility — CUDA Compatibility，查一下最大兼容那个版本的 cuda，561.19 最大兼容的是 12.3 ，那么我们安装的 cuda 版本就一定不能超过 12.3

我安装的是 12. 1 的 cuda

进入官网：CUDA Toolkit 12.8 Update 1 Downloads | NVIDIA Developer，安装适合电脑的 cuda，直接安装在 cuda 的默认路径即可

安装完成之后先检查一下 cude 版本，你可以在 C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA 目录下查看已安装的 CUDA 版本。例如（这是我电脑的）：

C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.5
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.1

由于电脑在最开始就自带了一个 11.5 的 cuda，那么现在系统默认使用的还是 11.5，这时我们只需要配置一下 12.1 的环境即可

配置 cuda 环境

进入高级系统设置 -> 环境变量 -> path（根据自己安装的位置找）

如果你实在找不到自己 cuda 的安装路径的话其实也很简单：在终端输入：where nvcc

你就会看见你所有的 cuda 的位置

C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.1\bin
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.1\libnvvp

到 path 当中并且要在 11.5 的前面

最后可以去终端检查一下，输入：nvcc --version

发现是 cuda 版本是 12.1，这样的话 cuda 的环境配置就搞好了，下一步就是根据 cuda 版本，安装一下cudnn

安装 cudnn

进入官网：cuDNN Archive | NVIDIA Developer 找到对应版本的 cudnn 下载之后解压

把这个文件直接复制到 cuda 路径当中（可以改文件名也可以不改）

这样的话 cudnn 也安装完成了，最后就是下载对应版本的 GPU 版 Pytorch

Pytorch安装

首先打开 conda ，输入conda activate yolov11-py-3-8（这里替换你的虚拟环境名称）

忘记自己环境名称的输入 conda env list 就能查询了

按照与 cuda 12.1 兼容的 Pytorch 版本，运行以下命令下载 Pytorch：

conda install pytorch torchvision torchaudio pytorch-cuda=12.1 -c pytorch -c nvidia

下载好后进入 Pycharm 随便写一个调试程序

# -*- coding: utf-8 -*-
import os
os.environ["KMP_DUPLICATE_LIB_OK"] = "TRUE"
import torchimport torch# 检查 CUDA 是否可用
print(torch.cuda.is_available())  # 应该返回 True# 检查当前 GPU 设备
print(torch.cuda.current_device())  # 应该返回 0（默认 GPU 设备）# 检查 GPU 名称
print(torch.cuda.get_device_name(0))  # 例如：NVIDIA GeForce RTX 4060# 检查 cuDNN 版本
print(torch.backends.cudnn.version())  # 例如：8900（表示 cuDNN 8.9.0）