说明
1、本教程适配Windows10+/Ubuntu20.04/22.04，全程一键复制命令，无需配置Python、CUDA、PyTorch
2、使用Ultralytics官方GPU镜像，环境纯净、无版本冲突
3、包含：环境安装、容器部署、数据集制作、训练、推理、模型导出、全套报错解决方案
4、训练必须Nvidia独立显卡，CPU仅能推理，训练速度极慢不推荐
一、前置硬件&软件要求
1、硬件：Nvidia独立显卡（驱动版本≥515）、空闲硬盘≥20G、内存≥8G
2、软件：无预装依赖，仅需安装Docker
3、核心优势：容器隔离环境，一次部署永久使用，不会污染本地电脑环境
二、安装Docker环境
2.1 Windows系统安装Docker
1、下载Docker Desktop：https://www.docker.com/products/docker-desktop/
2、默认路径安装，安装完成重启电脑
3、打开PowerShell，输入以下命令验证安装成功：
docker --version4、Docker设置开启GPU支持：Settings → Features → 勾选【Use the WSL 2 based engine】、【Enable GPU support】，重启Docker
2.2 Ubuntu系统安装Docker
复制全部命令一键执行：
sudo apt update sudo apt install docker.io -y sudo systemctl start docker sudo systemctl enable docker2.3 安装Nvidia GPU容器支持（必装！！！）
Ubuntu系统一键安装：
curl -fsSL https://nvidia.github.io/libnvidia-container/gpgkey | sudo gpg --dearmor -o /usr/share/keyrings/nvidia-container-toolkit-keyring.gpg distribution=$(. /etc/os-release;echo $ID$VERSION_ID) curl -s -L https://nvidia.github.io/libnvidia-container/$distribution/libnvidia-container.list | sed 's#deb https://#deb [signed-by=/usr/share/keyrings/nvidia-container-toolkit-keyring.gpg] https://#g' | sudo tee /etc/apt/sources.list.d/nvidia-container-toolkit.list sudo apt update sudo apt install -y nvidia-container-toolkit sudo systemctl restart docker2.4 验证GPU环境是否正常
通用验证命令（Windows/Ubuntu通用）：
docker run --rm --gpus all nvidia/cuda:11.8.0-base-ubuntu22.04 nvidia-smi输出显卡信息 = 环境正常
报错 = 显卡驱动过低/未开启GPU支持，查看文末排错方案
三、拉取YOLOv8官方镜像
官方镜像内置CUDA、PyTorch、YOLOv8全部依赖，一键拉取：
docker pull ultralytics/ultralytics:latest四、创建本地工作目录（持久化数据）
作用：容器删除后，数据集、训练权重、结果依然保存在本地
4.1 Windows创建目录
手动新建文件夹：D:\yolo_workspace
内部新建三个子文件夹：datasets、runs、weights
4.2 Ubuntu一键创建目录
mkdir -p ~/yolo_workspace/datasets mkdir -p ~/yolo_workspace/runs mkdir -p ~/yolo_workspace/weights五、启动YOLOv8容器（核心命令）
5.1 Windows启动命令（PowerShell执行）
docker run -it --gpus all ^ -v D:\yolo_workspace:/usr/src/ultralytics ^ -p 8080:8080 ^ ultralytics/ultralytics:latest5.2 Ubuntu启动命令
docker run -it --gpus all \ -v ~/yolo_workspace:/usr/src/ultralytics \ -p 8080:8080 \ ultralytics/ultralytics:latest出现root@xxx:/usr/src/ultralytics#即进入训练环境，部署完成
后续重新进入容器命令：docker start -ai 容器ID
六、环境测试（确保可正常运行）
6.1 测试推理
yolo predict model=yolov8n.pt source=bus.jpg
6.2 测试快速训练（5轮快速验证）
yolo train model=yolov8n.pt data=coco8.yaml epochs=5 imgsz=640
运行无报错、生成结果文件 = 环境完全正常
七、自定义数据集配置（标准YOLO格式）
7.1 固定数据集目录结构
将数据集放入：yolo_workspace/datasets/自定义文件夹名（示例my_dataset）
my_dataset/ ├── images/ │ ├── train/ # 训练集图片 │ └── val/ # 验证集图片 ├── labels/ │ ├── train/ # 训练集txt标签 │ └── val/ # 验证集txt标签 └── data.yaml # 数据集配置文件
7.2 编写data.yaml配置文件（直接复制修改）
path: /usr/src/ultralytics/datasets/my_dataset train: images/train val: images/val nc: 2 names: 0: cat 1: dog修改说明：nc为类别总数，names对应自己的目标类别，其余内容无需改动
八、自定义数据集训练命令（小白通用）
yolo train \ model=yolov8n.pt \ data=datasets/my_datset/data.yaml \ epochs=100 \ imgsz=640 \ batch=8 \ device=0参数解释
model：预训练权重（n/s/m/l/x，从小到大，速度递减、精度递增）
epochs：训练轮数，通用100-300轮
imgsz：推理尺寸，固定640即可
batch：批次大小，显存4G改4、2G改2
device：指定0号GPU训练
训练结果路径
本地：yolo_workspace/runs/train/exp（自动递增文件夹）
best.pt：最优模型权重（实际部署使用）
last.pt：最后一轮模型权重（继续训练使用）
九、模型推理、验证、导出命令
9.1 模型推理测试
yolo predict \ model=runs/train/exp/weights/best.pt \ source=datasets/my_dataset/images/val \ save=True
9.2 模型精度验证
yolo val model=runs/train/exp/weights/best.pt data=datasets/my_dataset/data.yaml
9.3 导出ONNX/TensorRT部署模型
# 导出ONNX yolo export model=runs/train/exp/weights/best.pt format=onnx # 导出TensorRT（高速推理） yolo export model=runs/train/exp/weights/best.pt format=engine
十、继续上次未完成的训练
yolo train model=runs/train/exp/weights/last.pt resume=True
原因：未开启GPU支持/显卡驱动版本过低
解决：更新Nvidia官方驱动≥515，Windows开启Docker GPU支持，重启Docker
