YOLOv12目标检测模型一键部署教程：基于Ubuntu20。04的完整环境配置

YOLOv12目标检测模型一键部署教程：基于Ubuntu20.04的完整环境配置

你是不是刚拿到一个YOLOv12的模型权重文件，想在Ubuntu服务器上跑起来试试效果，结果被一堆环境依赖搞得头大？别担心，这篇教程就是为你准备的。咱们不聊复杂的原理，也不扯那些高大上的优化，就手把手地带你，在Ubuntu 20.04系统上，用最快、最稳的方式把YOLOv12部署起来，让它能正常识别图片里的东西。

整个过程，从启动服务器到看到第一个检测结果，顺利的话10分钟就能搞定。我会把每一步的命令、可能遇到的坑都讲清楚，保证你跟着做就能成功。咱们的目标很简单：先跑起来，看到效果，后面再慢慢研究。

1. 环境准备：选择与启动你的GPU服务器

部署深度学习模型，尤其是YOLO这种实时检测模型，有GPU支持会快很多。第一步就是找个带GPU的“地盘”。

1.1 选择合适的GPU镜像

现在很多云平台都提供预装了深度学习环境的镜像，这能省去我们大量配置基础环境的时间。在选择时，你可以关注以下几点：

• 操作系统：确认是Ubuntu 20.04，这是目前兼容性非常好的一个长期支持版本。
• CUDA版本：YOLOv12通常需要CUDA环境来加速。选择预装了CUDA 11.x或更高版本的镜像会非常方便。CUDA 11.7或11.8都是比较常见且稳定的选择。
• 基础深度学习库：如果镜像里预装了Python、PyTorch、Torchvision这些，那就更完美了，几乎可以开箱即用。

假设你已经在某个云平台（例如CSDN星图镜像广场这类提供丰富AI镜像的地方）找到了一个合适的镜像，它包含了Ubuntu 20.04和CUDA 11.7。那么接下来就是启动它。

1.2 启动实例并登录

启动实例后，你会获得一个公网IP地址和登录密钥（通常是.pem文件）。在本地电脑上，打开终端，用ssh命令登录：

# 将 your-key.pem 替换为你的密钥文件路径，your-ip 替换为你的服务器公网IP ssh -i /path/to/your-key.pem ubuntu@your-server-ip

第一次登录可能会提示确认主机密钥，输入yes即可。登录成功后，你就进入了Ubuntu 20.04系统的命令行界面。首先，我们可以更新一下系统软件包列表，确保后续安装顺利：

sudo apt update

好了，我们的“地盘”已经就绪，接下来开始搭建YOLOv12需要的具体环境。

2. 搭建Python虚拟环境

直接在系统Python里安装各种包容易引起冲突，所以创建一个独立的虚拟环境是个好习惯。这里我们用conda来管理，它管理不同版本的Python和包非常方便。

2.1 安装Miniconda

如果你的镜像里没有预装conda，我们可以安装一个轻量版的Miniconda。

# 下载Miniconda安装脚本（这里以Python 3.9版本为例） wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh # 运行安装脚本 bash Miniconda3-latest-Linux-x86_64.sh

安装过程中，一直按回车阅读许可协议，输入yes同意，然后回车使用默认安装路径。最后，当询问是否初始化conda时，选择yes。安装完成后，关闭并重新打开终端，或者执行以下命令让配置生效：

source ~/.bashrc

现在，命令行前面应该会出现一个(base)字样，说明conda已经激活。

2.2 创建专属的YOLOv12环境

我们创建一个名为yolov12的新环境，并指定Python版本为3.8（这是一个与PyTorch系列兼容性很好的版本）。

conda create -n yolov12 python=3.8 -y

创建完成后，激活这个环境：

conda activate yolov12

激活后，命令行提示符前的(base)会变成(yolov12)，这表示我们后续的所有操作都在这个独立的环境中进行。

3. 安装核心依赖：PyTorch与YOLO

环境搭好了，现在来安装最重要的两个部分：PyTorch深度学习框架和YOLOv12的官方代码库。

3.1 安装PyTorch

去PyTorch官网根据你的CUDA版本选择安装命令是最稳妥的。假设我们之前确认CUDA版本是11.7，那么安装命令如下：

# 安装PyTorch、Torchvision和Torchaudio，并指定CUDA 11.7版本 pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu117

注意：如果你的CUDA版本是11.8，就将cu117替换为cu118。安装完成后，可以验证一下：

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

如果输出PyTorch版本号并且显示True，恭喜你，PyTorch和GPU加速就配置好了。

3.2 安装YOLOv12

YOLO的作者团队通常会把最新代码发布在GitHub上。我们直接用pip从GitHub安装YOLOv12的ultralytics包，这是目前最主流、最方便的方式。

pip install ultralytics

这个命令会自动安装YOLOv12运行所需的所有依赖，包括OpenCV、Pillow、Matplotlib等等。安装过程可能需要一两分钟。

4. 下载模型与第一次推理

环境全部搞定，是时候请出主角——YOLOv12模型了。

4.1 下载预训练权重

Ultralytics的包设计得非常人性化。你不需要手动去下载权重文件。当你第一次使用某个模型（比如yolov12n.pt，这是YOLOv12的纳米轻量版）时，它会自动从云端下载对应的预训练权重到你的本地缓存中。

4.2 编写并运行测试脚本

让我们创建一个最简单的Python脚本，来验证一切是否正常。使用nano或vim创建一个文件：

nano test_yolov12.py

在文件中输入以下代码：

from ultralytics import YOLO # 加载模型。如果是第一次运行，会自动下载 yolov12n.pt 权重文件 model = YOLO('yolov12n.pt') # 对一张图片进行推理（这里使用内置的示例图片，同样会自动下载） results = model('https://ultralytics.com/images/bus.jpg') # 将检测结果可视化并保存 results[0].save('result.jpg') print("检测完成！结果已保存为 'result.jpg'")

按Ctrl+X，然后输入Y，再按回车保存并退出。现在运行这个脚本：

python test_yolov12.py

第一次运行会看到下载进度条，分别下载yolov12n.pt模型权重和示例图片bus.jpg。下载完成后，脚本会执行推理，并在当前目录下生成一张名为result.jpg的图片。

4.3 查看结果

由于我们在服务器上，没有图形界面，可以通过命令行工具将图片下载到本地查看。在你本地电脑的终端里执行：

# 将 your-ip 替换为你的服务器IP scp -i /path/to/your-key.pem ubuntu@your-server-ip:~/result.jpg ./result_downloaded.jpg

然后在你本地打开result_downloaded.jpg，你应该能看到一张公交车的图片，上面画着检测框，并标注了“bus”。看到这个，就说明你的YOLOv12已经成功部署并运行起来了！

5. 常见问题与小技巧

第一次部署难免会遇到点小麻烦，这里有几个常见问题的解决办法。

• 问题：安装ultralytics时特别慢或报错。

  • 解决：可以临时切换为国内的PyPI镜像源加速下载。例如使用清华源：

    pip install ultralytics -i https://pypi.tuna.tsinghua.edu.cn/simple

• 问题：运行脚本时提示缺少某些库。

  • 解决：通常ultralytics会自动安装依赖，但偶尔会有遗漏。你可以根据错误信息手动安装，比如pip install opencv-python-headless。

• 问题：想用自己本地的图片或视频测试。

  • 解决：将你的文件上传到服务器。可以使用scp命令，例如在本地终端：

    scp -i /path/to/your-key.pem /path/to/your/image.jpg ubuntu@your-server-ip:~/

    然后在Python脚本里，把model(‘https://...‘)中的网址换成‘/home/ubuntu/your_image.jpg‘即可。

• 小技巧：使用不同的YOLOv12模型。

  • yolov12n.pt是最小的，速度最快，但精度稍低。你还可以尝试：
    • yolov12s.pt(小)
    • yolov12m.pt(中)
    • yolov12l.pt(大)
    • yolov12x.pt(超大) 只需在脚本中替换模型名称即可。模型越大，精度一般越高，但运行速度也越慢。

6. 总结与下一步

跟着上面这些步骤走一遍，你应该已经在Ubuntu 20.04上把YOLOv12给跑起来了。整个过程的核心其实就是三步：找个好用的带GPU和CUDA的镜像，创建一个干净的Python环境，然后用ultralytics这个强大的包把模型拉下来跑通。第一次成功看到检测框的时候，感觉还是挺不错的吧？

这只是一个开始。YOLOv12的能力远不止检测一张图片。接下来，你可以试着用它处理一段视频，看看实时检测的效果；或者把自己的数据集整理成YOLO格式，尝试用这个预训练模型进行微调，让它认识你特定的目标。ultralytics的文档里有很多例子，比如导出模型到不同格式（ONNX、TensorRT等）来进一步提升速度，都值得去摸索一下。

部署本身不是目的，让它为你所用才是。希望这篇教程帮你扫清了起步的障碍，让你能更专注于后续更有趣的应用和开发工作。

获取更多AI镜像

想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。