从零开始配过几套深度学习环境之后，你会发现YOLOv8的环境配置卡住人的地方往往不是YOLOv8本身，而是它底下的PyTorch、CUDA、Python版本这一串“配套零件”之间的排列组合。这个系列前面我们已经把Python、Anaconda和基础工具链理清了，这篇就专门把YOLOv8安装这最后一步一次性讲透，从创建一个干净的虚拟环境开始，到跑通第一张图片的检测推理为止，直接把能用的命令、该避的坑全部摆出来。
这篇文章适合刚把Anaconda装好、打算正经训练自己数据集的新手，也适合已经在其他框架（比如TensorFlow、PaddlePaddle）里待过、想快速迁移到YOLOv8的老手。核心任务只有一个：让ultralytics这个包在你的电脑上稳定跑起来，并且让YOLOv8真的调用GPU做推理，而不是在CPU上“能用但慢得离谱”。
1. 动手前先理清环境配置的整体路径：为什么YOLOv8对环境有要求
很多人一上来就pip install ultralytics，装完发现各种报错，接着又去百度“如何安装YOLOv8”，越搜越乱。问题出在你根本没搞懂YOLOv8和它运行环境之间的关系。
1.1 YOLOv8本体只是ultralytics一个包，难点其实在“配套环境”
YOLOv8是Ultralytics公司开源的视觉检测框架，安装层面它的核心就是一个Python包，名字叫ultralytics。你在终端里执行pip install ultralytics，装的就是它。这个包属于“开箱即用”的类型，API封装得很友好，几行代码就能完成目标检测、分割、分类。
但ultralytics本身不干活，它底层依赖一堆科学计算库，尤其是torch（PyTorch）。PyTorch是真正负责张量计算和深度神经网络前向/反向传播的引擎，而PyTorch要想调用GPU，又必须跟你电脑上的显卡驱动、CUDA运行时版本匹配。
所以严格来说，YOLOv8安装过程由三个层级组成：
- 底层：显卡驱动 + CUDA（不是必须手动装CUDA，PyTorch自带一部分运行时）
- 中层：PyTorch（CPU版或GPU版）
- 顶层：ultralytics包以及它的依赖（opencv-python、numpy、matplotlib、pandas等）
只要底层和中层配错，顶层怎么折腾都没用。
1.2 判断你的显卡该配哪套CUDA/PyTorch组合
装PyTorch之前，先搞清楚自己电脑的GPU是什么型号。打开任务管理器（Windows）或者"系统信息"，找到显卡这一项就行。常见的有三种情况：
- NVIDIA显卡（GTX 10系、16系、20系、30系、40系、50系）：这是深度学习的主流选择，支持CUDA加速，本文的GPU配置主要针对这类用户。
- AMD显卡：在深度学习领域支持相对麻烦，需要ROCm（Linux下）或者DirectML后端，YOLOv8虽然能跑，但体验不如NVIDIA顺畅。
- 无独立显卡 / 核显（Intel UHD、AMD Radeon集成显卡）：只能放弃GPU加速，老老实实装CPU版PyTorch，小图和中等模型还能跑，但训练大模型基本不用想了。
确定了NVIDIA显卡之后，还要看显卡型号对应的算力版本。RTX 30系/40系显卡用CUDA 11.8或者CUDA 12.1都没问题，PyTorch官方都提供了对应的预编译包。如果用的是RTX 50系显卡（比如热搜里那个5060），注意了，这类新卡需要CUDA 12.4以上，PyTorch版本也必须够新（2.6及以上），否则装了旧版PyTorch会报"no kernel image is available"。
一个我实测很稳的组合，新手可以直接抄：Python 3.10 + CUDA 11.8 + PyTorch 2.1.x + ultralytics 8.x。这套组合在GTX 1660Ti、RTX 3060、RTX 4060上跑YOLOv8n/yolov8s都没有兼容性问题。如果你的显卡是50系，那建议直接用PyTorch 2.6.0 + CUDA 12.4的组合。
1.3 理清Anaconda、Python、CUDA、PyTorch和ultralytics的关系
这五个名词是新手最容易搞混的。我用大白话给你串一遍：
- Python：解释器，负责运行你用Python写的代码。
- Anaconda：Python的发行版管理工具，它能创建多个互不干扰的Python环境（虚拟环境），并且在每个环境里独立管理Python版本和第三方包。相当于给每个项目开了一个独立的“房间”。
- CUDA：NVIDIA显卡的并行计算平台。显卡驱动是硬件和系统之间的桥梁，CUDA是在驱动之上提供给开发者的计算API。
- PyTorch：基于CUDA的深度学习框架，它封装好了神经网络的张量计算、自动求导等核心功能。
- ultralytics：基于PyTorch实现的YOLOv8工具包，你直接调用它来加载模型、做推理、做训练。
这五者的依赖方向是：ultralytics → PyTorch → CUDA → 显卡驱动，Anaconda则像一个隔离舱，把上面这些东西打包在一个独立环境里，避免跟电脑上其他项目的Python包打架。
注意：网上很多教程让你先去NVIDIA官网手动下载CUDA Toolkit安装包，然后再装PyTorch。其实对于大多数YOLOv8用户来说，这一步是多余的。PyTorch的pip安装包自带CUDA运行时（cudart、cublas等），只要显卡驱动版本够新，直接装PyTorch官方预编译包就够了，不用手动装CUDA Toolkit。只有一种情况需要手动装CUDA：你要用NVIDIA官方的TensorRT做部署加速，或者编译部分自定义算子时报缺少
nvcc。
2. 环境预检清单：用几段命令核实电脑与Python环境现状
开始安装之前，花三分钟确认电脑的现状。跳过这一步的人，通常会在后面遇到“明明装了CUDA为什么PyTorch里显示不可用”的问题。
2.1 查看显卡型号和驱动版本
Windows下按Win + R输入dxdiag，在“显示”选项卡里能看到完整的显卡型号和驱动版本。但更直接的方式是用NVIDIA自带的命令行工具，打开终端（cmd或PowerShell）执行：
nvidia-smi如果提示'nvidia-smi' 不是内部或外部命令，大概率是NVIDIA驱动没装，或者显卡不在NVIDIA的范畴里。nvidia-smi输出的右上角会显示驱动版本（Driver Version）和CUDA版本（CUDA Version）。
这里有个很关键的认知点：nvidia-smi显示的CUDA Version是当前驱动支持的最高CUDA版本，不代表你已经装了这个版本的CUDA Toolkit。驱动版本必须是向下兼容的，比如驱动显示最高支持CUDA 12.2，那么你装CUDA 11.8或12.1版本的PyTorch都没问题。如果驱动太老，比如只支持CUDA 11.4，那装PyTorch 12.1就会在推理时报错。
2.2 检查Python版本
打开终端执行：
python --version如果你已经按照本系列前面的教程安装了Anaconda，那么这里的python可能是Anaconda自带的基础环境Python。没关系，我们后面会为YOLOv8单独创建虚拟环境，所以现在这个Python版本不需要太纠结。
另外确认一下pip能正常用：
pip --version如果在cmd里直接输入pip提示找不到，去Anaconda Powershell Prompt里操作，或者检查是否把Anaconda的Scripts目录加到了系统PATH里。
2.3 检查是否已存在Anaconda或Conda
终端执行：
conda --version能正常输出版本号，说明Anaconda或Miniconda已经正确安装。如果提示找不到conda，你需要回到这个系列的第一篇，先把Anaconda装好并配置好环境变量。
| 检查项 | 命令 | 期望结果 |
|---|---|---|
| NVIDIA驱动与支持的CUDA版本 | nvidia-smi | 显示显卡型号、驱动版本、右上角CUDA版本 |
| Python版本 | python --version | 输出3.8或更高版本 |
| pip可用性 | pip --version | 输出pip版本信息 |
| conda可用性 | conda --version | 输出conda版本信息 |
这四步检查全部通过，就可以放心进入下一步了。哪一项没通过就先解决哪一项，不然带着问题往下装，最后的报错会让你很难定位根因。
3. 创建独立的YOLOv8虚拟环境：为什么强烈建议单独建环境
这一步是很多新手最容易偷懒但最不该偷懒的地方。直接用基础环境装YOLOv8，短期内好像没什么问题，但等你再装其他项目（比如Stable Diffusion、ComfyUI、某个老项目依赖Python 3.7）时，版本冲突会让你怀疑人生。
3.1 虚拟环境到底是什么、避免什么
Anaconda的虚拟环境本质上是把Python解释器、pip、各种第三方包目录隔离成独立的一套文件夹。你在环境A里把某个包升级到新版本，不影响环境B里该包的旧版本。这就像一栋楼里有多个独立房间，每个房间配置不同家具，互不干扰。
YOLOv8对Python版本的要求是3.8以上，但经过社区大量验证，Python 3.10是兼容性和生态支持最均衡的版本。3.12、3.13刚发布时，部分PyTorch老版本还不支持，容易踩坑。所以我直接建议创建Python 3.10的虚拟环境。
3.2 conda create 命令详解
打开终端（Windows下推荐使用Anaconda Prompt，Linux/macOS直接开终端），执行：
conda create -n yolov8 python=3.10 -y解释一下这条命令的含义：
-n yolov8：给这个新环境起名为yolov8，你可以换成任何你喜欢的名字，比如det、dl，但建议尽量简短且用英文。python=3.10：指定环境内的Python版本为3.10，conda会自动拉取对应版本的Python解释器。-y：跳过安装确认，直接执行。
创建完成后，激活环境：
conda activate yolov8激活成功后，终端命令行的最前面会出现(yolov8)字样，这就说明你已经进入了新环境。这时候再执行python --version，显示的应该是Python 3.10.x。
3.3 为conda环境配置pip镜像源（可选但强烈建议）
在国内网络环境下，直接pip下载PyTorch和ultralytics的依赖包，速度可能非常不稳定，甚至超时。建议先给pip配置一个可信的镜像源。这里用清华源为例：
pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple配置完之后，后续在该环境里pip install都会自动走镜像，下载速度明显提升。如果你不想全局配置，也可以在每次pip install命令后面追加-i https://pypi.tuna.tsinghua.edu.cn/simple，两种方式效果一样。
注意：这一步只是为了加速Python第三方包（如opencv、numpy、torch等）的下载，跟后续提到的模型权重下载不是一回事。模型权重从GitHub上的Ultralytics仓库下载，走的是另一条链路。
4. 安装PyTorch并确认GPU可用
这是整个环境配置里最核心也最容易出错的一步。PyTorch版本装对了，YOLOv8就成功了80%。
4.1 用官方命令还是指定CUDA版本
PyTorch官网（pytorch.org）会根据你的操作系统和包管理工具，自动给出安装命令。比如选择Linux + pip + CUDA 11.8，官网会给出：
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118这里有三个包：torch（主框架）、torchvision（视觉相关工具库，YOLOv8的数据增强和部分算子依赖它）、torchaudio（音频库，YOLOv8不直接依赖它，但它是PyTorch生态的标准三件套，一起装没坏处）。
如果你选择了CPU版本，那就是：
pip install torch torchvision torchaudio不带--index-url参数，默认从PyPI安装的就是CPU版（Windows下如此）。CPU版能跑YOLOv8，只是速度慢。
问题来了：怎么判断该装哪个CUDA版本的PyTorch？
- 查驱动支持的最高CUDA版本，
nvidia-smi右上角那个数字。 - 如果驱动支持CUDA 11.8及以上，建议用cu118版本，兼容性好。
- 如果是新卡（RTX 40系/50系），可以选cu121或者cu124版本。
4.2 实测稳定的PyTorch安装组合
下面几套组合是我在不同机器上实测稳定复现的，贴出来供你直接参考：
| 显卡类型 | 推荐PyTorch安装命令 | 说明 |
|---|---|---|
| GTX 10系/16系 | pip install torch==2.1.2 torchvision==0.16.2 --index-url https://download.pytorch.org/whl/cu118 | 老卡中稳如泰山的组合 |
| RTX 20系/30系 | pip install torch==2.1.2 torchvision==0.16.2 --index-url https://download.pytorch.org/whl/cu118 | 同样可用 |
| RTX 40系 | pip install torch torchvision --index-url https://download.pytorch.org/whl/cu121 | 推荐CUDA 12.1 |
| RTX 50系 | pip install torch torchvision --index-url https://download.pytorch.org/whl/cu124 | 需要PyTorch 2.6+ |
第一次下载PyTorch的包比较大（CUDA版torch大约2-3GB），耐心等待即可。如果下载到一半网络断了，重跑一遍同一个命令，pip有缓存机制，会断点续传。
4.3 验证PyTorch能否调用GPU
装完之后别急着装YOLOv8，先验证这一步。在终端里进入Python交互模式：
python然后在Python提示符下输入：
import torch print(torch.__version__) print(torch.cuda.is_available())如果torch.cuda.is_available()输出True，恭喜，GPU环境已经就绪。如果输出False，看下面几个可能原因：
- 装的是CPU版PyTorch（最常见）。
- 显卡驱动版本过旧，需要去NVIDIA官网更新驱动。
- 显卡不是NVIDIA的（比如AMD的卡，CUDA本身不可用）。
再确认一下GPU的实际名称：
print(torch.cuda.get_device_name(0))能输出版本号和显卡名称，说明PyTorch已经完整检测到GPU。到这里，整个环境配置最难的部分就过了。
经验分享：很多新手验证GPU时发现
torch.cuda.is_available()输出False，第一反应是重装PyTorch。其实先跑一下nvidia-smi看看驱动版本，如果驱动太老，更新一下驱动往往就能解决，不用重装任何东西。
5. 安装YOLOv8本体（ultralytics包）
PyTorch搞定之后，安装YOLOv8本体就是一个普通的pip操作。
5.1 pip install ultralytics 一行搞定
保持yolov8虚拟环境处于激活状态，执行：
pip install ultralytics这个命令会自动安装ultralytics以及它声明的所有依赖，包括但不限于：
- opencv-python：图像读写和预处理
- numpy：数组运算
- matplotlib：可视化
- pandas：数据处理
- pillow：图像处理
- pyyaml：配置文件解析
- tqdm：进度条
如果你在安装过程中遇到某个依赖编译失败（比如没有安装Microsoft C++ Build Tools），绝大多数情况下是这个依赖版本太新、跟Python 3.10不兼容。解决办法是指定一个兼容版本，比如：
pip install ultralytics==8.2.0这个版本在社区里验证量很大，Bug相对较少，新手用它踩坑率最低。
5.2 源码安装方式与Git Clone（什么时候需要源码安装）
pip安装的是发布版（release），足够日常使用。但有一类用户需要源码安装——你想修改YOLOv8内部的网络结构做改进（热搜词里就有“yolov8改进”），或者想用官方GitHub仓库里还没发版的新功能。
源码安装的步骤：
git clone https://github.com/ultralytics/ultralytics.git cd ultralytics pip install -e .pip install -e .的意思是“可编辑安装”，你修改本地源码后，不需要重新安装，改动立即生效。这对搞科研/做改进的人非常有用。
但如果你只是想把YOLOv8跑起来训练自己的数据集，源码安装和pip安装对使用方式没有影响。也就是说，不管哪种方式装的，导入方式都是from ultralytics import YOLO。
5.3 验证安装成功：import ultralytics查看版本
装完后在Python里执行：
import ultralytics ultralytics.checks()ultralytics.checks()会输出环境信息，包括Python版本、PyTorch版本、CUDA是否可用、GPU名称等，并且会提示安装缺失的可选依赖。看到没有红色报错，说明安装成功。
这一步还有一个更快捷的验证方式，直接在终端执行yolo命令：
yolo能正常输出YOLO命令的帮助信息，说明命令行工具也装好了。后续你会经常用到yolo predict、yolo train这类命令行指令，虽然用Python代码调用更灵活，但命令行在某些自动化场景下更方便。
6. 验证安装全靠一次真实推理：跑通官方Demo
环境配没配好，不是看版本号，而是看模型能不能在一张真实图片上完成推理。这是整篇文章的验收环节。
6.1 官方示例代码解释
在终端里进入Python，或者新建一个test_yolov8.py文件，写入以下代码：
from ultralytics import YOLO # 加载预训练模型 model = YOLO("yolov8n.pt") # 对图片进行推理 results = model("https://ultralytics.com/images/bus.jpg") # 遍历结果并展示 for r in results: r.show()这段代码做了三件事：
YOLO("yolov8n.pt")：加载YOLOv8的nano版本预训练权重。pt说明是由PyTorch保存的权重文件。model("https://ultralytics.com/images/bus.jpg")：对一张官网示例图片进行推理。这个网络路径会先下载图片到本地缓存，再读取推理。模型推理时会自动把图像缩放到模型输入尺寸（默认640x640），然后输出检测框。r.show()：把检测结果可视化，弹出一个窗口显示检测框、类别和置信度。
如果不想弹窗，可以用r.save()替代r.show()，结果图会保存在当前目录下的runs/detect/predict文件夹里。
6.2 模型权重自动下载流程
第一次执行YOLO("yolov8n.pt")时，如果当前目录下没有这个文件，ultralytics会自动从GitHub Releases下载。下载过程会在终端显示进度条。
如果你的网络环境不太理想，下载权重经常失败（进度条卡在半路或者超时），可以手动下载权重文件，然后放到当前工作目录下。权重文件的下载地址对应关系如下：
| 模型 | 权重文件名 | 大小 | 说明 |
|---|---|---|---|
| YOLOv8n | yolov8n.pt | 约6MB | 速度最快，精度较低，适合快速验证 |
| YOLOv8s | yolov8s.pt | 约22MB | 速度和精度平衡 |
| YOLOv8m | yolov8m.pt | 约49MB | 精度更高 |
| YOLOv8l | yolov8l.pt | 约83MB | 更重的模型 |
| YOLOv8x | yolov8x.pt | 约130MB | 精度最高，要求显存高 |
对于第一次跑通环境，用yolov8n.pt就够了，因为下载快、推理快，能快速确认整条链路是通的。等你要训自己的数据集时，再根据任务难度选择更大的模型。
yolov8n里的“n”是nano（微型）的意思，整个模型参数量只有约315万，在GPU上推理一张640x640的图片通常只需要几十毫秒，CPU上也就一两秒，非常适合环境验证。
6.3 图像/视频/摄像头三种推理方式
除了对本地图片推理，YOLOv8支持多种输入方式。日常使用中这三种最常用：
from ultralytics import YOLO model = YOLO("yolov8n.pt") # 1. 本地图片 results = model("bus.jpg") # 2. 视频文件 results = model("test.mp4", save=True) # 3. 摄像头实时检测 results = model(0, show=True)摄像头输入的参数0代表调用电脑的第一个摄像头。这个功能很适合快速做一个Demo演示，实时目标检测的感觉非常直观。
视频推理时加上save=True参数，检测结果会自动生成一个标注过的视频文件，存放在runs/detect目录下。
6.4 推理结果怎么看
推理完成后，终端会输出类似这样的信息：
image 1/1 /path/to/bus.jpg: 640x640 4 persons, 1 bus, 1 tie Done. (0.082s)数字的含义是：在bus.jpg这张图中检测到了4个人（persons）、1辆公交车（bus）、1条领带（tie）。0.082秒是GPU推理耗时。如果你看到检测结果里有人和公交车，说明模型加载、图片预处理、前向传播、后处理全链路都正常，环境配置到此彻底结束。
如果你用的是CPU跑，推理时间可能是0.5秒到2秒，这个差别非常直观地体现了GPU加速的价值。
7. 高频踩坑排查与应对（实测总结）
前面几步都很顺利的话，你大概率已经跑通了。但如果你在某个环节卡住，下面这份排查清单是按真实踩坑频率排的，直接对着找就行。
7.1 "No module named 'ultralytics'"
基本原因只有一个：你不在之前创建的那个虚拟环境里。打开终端，确认命令行开头有(yolov8)字样。如果没有，执行conda activate yolov8。
还有一种情况：你在PyCharm里运行时提示找不到ultralytics，说明PyCharm解释器没有选对。去File -> Settings -> Project -> Python Interpreter里，把解释器换成你创建的那个yolov8环境的Python路径（通常在Anaconda安装目录下的envs/yolov8/python.exe）。
7.2 "CUDA error: no kernel image is available for execution on the device"
这个报错的意思很明确：当前的PyTorch版本不支持你这张显卡。最常见于新显卡（RTX 50系）配了旧PyTorch版本，或者老显卡（GTX 16系之前）配了太新的CUDA版本。解决办法是卸载重装PyTorch，切换到与你显卡匹配的CUDA版本。
pip uninstall torch torchvision -y pip install torch torchvision --index-url https://download.pytorch.org/whl/cu1247.3 下载权重失败或卡在Download Progress
因为权重从GitHub Releases下载，网络不稳定时可能出现进度条不动或者直接抛异常。解决办法：
- 手动用浏览器下载对应权重文件。
- 把下载好的
.pt文件放在你执行Python命令的那个目录下。 - 重新执行
model = YOLO("yolov8n.pt")，此时因为本地文件已存在，不会再触发下载。
7.4 RuntimeError: CUDA out of memory
推理一般不会爆显存（nano模型大约只要几百MB显存），但训练时很容易爆。如果出现OOM（out of memory），从这几个方向调：
- 减小
batch size，比如从默认的16改成8甚至4。 - 减小输入图片尺寸
imgsz，比如从640改成480。 - 换更小的模型，比如用
yolov8n替代yolov8s。 - 开启梯度累积参数
accumulate，这等于用时间换显存空间。
7.5 Python版本与PyTorch版本不兼容
如果你用的Python是3.12以上版本，老版本PyTorch可能没有对应预编译包，pip安装时会尝试从源码编译，那个过程非常慢且大概率失败。建议把虚拟环境的Python版本固定在3.10，这是目前PyTorch和ultralytics兼容性最好的版本。
重建环境不麻烦：
conda deactivate conda remove -n yolov8 --all conda create -n yolov8 python=3.10 -y conda activate yolov87.6 OpenCV相关报错（如"cv2 has no attribute"）
ultralytics会自动安装opencv-python。如果你电脑上之前装过老版本OpenCV，可能被覆盖或者版本冲突。解决办法是在yolov8环境里强制重装：
pip install --upgrade opencv-python尽量避免在多个环境混用OpenCV的低级包opencv-contrib-python和opencv-python，这两个库同时存在会引发奇怪的符号覆盖问题。
7.7 摄像头推理时图像是黑的
笔记本摄像头在部分Windows驱动下兼容性一般。检查系统是否把摄像头权限关闭了，在设置 -> 隐私 -> 摄像头里确认允许应用访问摄像头。如果你用的是台式机外接USB摄像头，重新插拔一下，并确认摄像头能正常被其他软件（如相机应用）识别。
我在实际配环境的过程中，最深的感受是：YOLOv8安装本身并不复杂，大部分时间都花在“版本匹配”上。只要把Python 3.10、PyTorch的CUDA版本、显卡驱动这三者的关系理顺，后面的流程基本都是水到渠成。如果你用的显卡不是特别奇葩的型号，直接套用我上面给的组合，大概率一次就能跑通。
最后再分享一个小技巧：每次给项目配完环境，建议顺手执行一下pip freeze > requirements.txt，把当前环境的所有包版本固化下来。以后换电脑、帮朋友配环境，直接pip install -r requirements.txt就全部还原了。这个习惯能帮你省掉很多重复踩坑的时间。
