YOLOv8 Linux 部署指南（GPU CPU 完整版）

1️⃣ 环境准备

• 系统：Linux

• Python 版本：推荐 3.9

• 安装 Anaconda 或 Miniconda

• GPU 用户需确认 CUDA 驱动已安装（示例使用 CUDA 11.8）

---

2️⃣ 手动下载模型与测试图片（可选）

1. 创建目录

mkdir -p ~/yolo/models
mkdir -p ~/yolo/images

1. 下载 YOLOv8n 模型
   YOLOv8n 模型下载地址
   保存到：

~/yolo/models/yolov8n.pt

1. 下载测试图片 bus.jpg
   bus.jpg 下载地址
   保存到：

~/yolo/images/bus.jpg

---

3️⃣ Linux CPU 一键部署脚本

保存为 deploy-yolov8-linux-cpu.sh：

#!/bin/bashENV_NAME="yolov8-cpu"
PYTHON_VER="3.9"
YOLO_DIR="$HOME/yolo"MODEL_PATH="$YOLO_DIR/models/yolov8n.pt"
IMAGE_PATH="$YOLO_DIR/images/bus.jpg"echo ">>> 创建 conda 环境: $ENV_NAME"
conda create -n $ENV_NAME python=$PYTHON_VER -y
source ~/anaconda3/etc/profile.d/conda.sh
conda activate $ENV_NAMEecho ">>> 安装 YOLOv8 和依赖"
pip install -U pip setuptools wheel
pip install torch torchvision torchaudio
pip install ultralytics onnxruntime tensorboard wandbecho ">>> 验证安装"
yolo predict model="$MODEL_PATH" source="$IMAGE_PATH"

---

4️⃣ Linux GPU 一键部署脚本

保存为 deploy-yolov8-linux-gpu.sh：

#!/bin/bashENV_NAME="yolov8-gpu"
PYTHON_VER="3.9"
YOLO_DIR="$HOME/yolo"
CUDA_VERSION="cu118"MODEL_PATH="$YOLO_DIR/models/yolov8n.pt"
IMAGE_PATH="$YOLO_DIR/images/bus.jpg"mkdir -p "$YOLO_DIR/models"
mkdir -p "$YOLO_DIR/images"echo ">>> 下载模型和图片"
[ ! -f "$MODEL_PATH" ] && wget -O "$MODEL_PATH" https://github.com/ultralytics/assets/releases/download/v0.0.0/yolov8n.pt
[ ! -f "$IMAGE_PATH" ] && wget -O "$IMAGE_PATH" https://github.com/ultralytics/assets/raw/main/bus.jpgecho ">>> 创建 conda 环境: $ENV_NAME"
conda create -n $ENV_NAME python=$PYTHON_VER -y
source ~/anaconda3/etc/profile.d/conda.sh
conda activate $ENV_NAMEecho ">>> 安装 PyTorch + CUDA 及 YOLOv8"
pip install -U pip setuptools wheel
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/$CUDA_VERSION
pip install ultralytics onnxruntime tensorboard wandbecho ">>> 验证安装"
yolo predict model="$MODEL_PATH" source="$IMAGE_PATH"

---

5️⃣ 部署流程图

flowchart TDA[创建目录 ~/yolo] --> B[下载模型 yolov8n.pt]A --> C[下载测试图片 bus.jpg]B --> D[创建 conda 环境]C --> D[创建 conda 环境]D --> E[安装 PyTorch + CUDA 或 CPU]E --> F[安装 YOLOv8 和依赖]F --> G[验证安装]G --> H{检测结果生成?}H -- Yes --> I[部署成功 🎉]H -- No --> J[检查依赖或路径]

---

6️⃣ GPU vs CPU 对比表

功能/步骤	GPU 版本	CPU 版本	说明
Python 环境	3.9	3.9	Conda 环境均可共用
CUDA 驱动	必须（示例 CUDA 11.8）	不需要	GPU 才能加速推理
依赖安装	带 CUDA 的 PyTorch + YOLOv8	CPU PyTorch + YOLOv8	GPU 版本安装带 CUDA 的 PyTorch
模型 & 图片下载	自动下载或手动下载均可	自动下载或手动下载均可	两者一致
推理速度	高速（显卡加速）	较慢（依赖 CPU 核心）	显著差异，GPU 推荐大模型或批量推理
验证步骤	yolo predict model=MODEL_PATH source=IMAGE_PATH	相同	YOLOv8 CLI 一致
运行脚本	deploy-yolov8-linux-gpu.sh	deploy-yolov8-linux-cpu.sh	可直接使用
适用场景	本地训练、大批量推理、速度敏感项目	轻量推理、无 GPU 环境	CPU 可作为备用方案

---

7️⃣ 使用说明

1. 保存脚本

2. 授权并运行：

chmod +x deploy-yolov8-linux-gpu.sh
./deploy-yolov8-linux-gpu.sh

1. 脚本会自动：

   • 创建 conda 环境

   • 安装 PyTorch + CUDA（GPU）或 CPU 版本

   • 安装 YOLOv8 及依赖

   • 下载模型和测试图片

   • 验证推理

2. 成功后，在 runs/predict/ 目录查看检测结果。

---