WSL2部署训练YOLOv11之环境配置（2025年4月19日）

一、前言

今天尝试在WSL2环境中部署训练YOLOv11，顺便把环境配置好。

二、安装CUDA

由于WSL2中并不能直接使用宿主机的显卡，所以需要安装CUDA on WSL以安装NVIDIA驱动到WSL中。注意必须是WSL2，WSL2对GPU的支持使这些应用程序能够受益于GPU加速计算，WSL1不支持。

1. 打开cmd或pwsh更新一下WSL内核：

   wsl.exe --update
   

2. 确保宿主机已安装最新的NVIDIA GPU驱动程序。访问NVIDIA驱动下载页面，选择适合的显卡型号和操作系统（Windows），下载并安装最新驱动。

3. 在WSL2中安装CUDA Toolkit：

   • 启动WSL2终端（例如Ubuntu发行版）。

   • 下载适用于WSL-Ubuntu的CUDA Toolkit。参考NVIDIA官方文档，运行以下命令：

     wget https://developer.download.nvidia.com/compute/cuda/repos/wsl-ubuntu/x86_64/cuda-wsl-ubuntu.pin
     sudo mv cuda-wsl-ubuntu.pin /etc/apt/preferences.d/cuda-repository-pin-600
     wget https://developer.download.nvidia.com/compute/cuda/12.3.0/local_installers/cuda-repo-wsl-ubuntu-12-3-local_12.3.0-1_amd64.deb
     sudo dpkg -i cuda-repo-wsl-ubuntu-12-3-local_12.3.0-1_amd64.deb
     sudo cp /var/cuda-repo-wsl-ubuntu-12-3-local/cuda-*-keyring.gpg /usr/share/keyrings/
     sudo apt-get update
     sudo apt-get -y install cuda-toolkit-12-3
     

4. 验证CUDA安装：

   • 安装完成后，运行以下命令检查CUDA版本：

     nvcc --version
     

   • 确保返回的版本信息与安装的CUDA版本一致（例如12.3）。

三、安装Python环境

YOLOv11依赖Python环境，推荐使用Miniconda来管理Python环境。

1. 下载并安装Miniconda：

   wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh
   bash Miniconda3-latest-Linux-x86_64.sh
   

   按照提示完成安装，初始化conda环境。

2. 创建并激活新的conda环境：

   conda create -n yolov11 python=3.10
   conda activate yolov11
   

3. 安装必要的Python依赖：

   pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu123
   pip install ultralytics
   

四、安装YOLOv11

1. 克隆YOLOv11的官方仓库（以Ultralytics YOLO为例）：

   git clone https://github.com/ultralytics/ultralytics.git
   cd ultralytics
   pip install -e .
   

2. 验证YOLOv11安装：

   yolo version
   

   如果返回版本号（如11.x.x），说明安装成功。

五、配置训练环境

1. 准备数据集：

   • 将数据集放置在指定目录（例如datasets/），确保数据集格式符合YOLOv11的要求（通常为YOLO格式：图片+标签文件）。

   • 创建data.yaml配置文件，指定训练、验证集路径和类别信息。例如：

     train: ./datasets/train/images
     val: ./datasets/val/images
     nc: 80
     names: ['class1', 'class2', ..., 'class80']
     

2. 测试GPU可用性：

   python -c "import torch; print(torch.cuda.is_available())"
   

   如果返回True，说明GPU配置正确。

六、开始训练

1. 运行训练命令：

   yolo train model=yolov11n.pt data=data.yaml epochs=100 imgsz=640 device=0
   

   • model：选择预训练模型（如yolov11n.pt）。
   • data：指定数据集配置文件。
   • epochs：训练轮数。
   • imgsz：输入图片尺寸。
   • device：指定GPU设备（0表示第一个GPU）。

2. 训练完成后，模型权重将保存在runs/train/目录下。

七、常见问题

1. CUDA版本不匹配：确保宿主机驱动、CUDA Toolkit和PyTorch的CUDA版本一致。
2. GPU不可用：检查WSL2是否正确识别GPU，运行nvidia-smi确认。
3. 内存不足：减少batch_size或使用更小的模型（如yolov11n）。

八、总结

通过以上步骤，我们在WSL2中成功配置了YOLOv11的训练环境。WSL2结合CUDA支持为Windows用户提供了一个高效的深度学习开发平台。后续可以根据需求调整数据集或超参数，进一步优化模型性能。