Yolo未调用GPU导致Jupyter内核崩溃，求解决方法

一、明确：必须安装适配的CUDA环境 #

YOLO训练算力需求高，CPU算力远不足以支撑，用CPU训练会导致内存占用暴增、计算负载过载，直接引发Jupyter内核崩溃。CUDA是NVIDIA GPU实现并行计算的核心工具，想要用GPU加速YOLO训练，必须配置适配的CUDA环境。

二、先卸载不兼容的CUDA 7.5 #

RTX 2060属于Turing架构，CUDA 7.5是2015年的老旧版本，完全不支持该架构，必须彻底卸载：

• Windows：打开「控制面板」→「程序和功能」，找到所有带“NVIDIA CUDA”字样的程序，全部卸载，包括配套驱动组件。
• Linux：执行sudo apt-get purge nvidia-cuda*（Debian/Ubuntu系），或对应rpm命令（CentOS/RHEL系），之后清理残留文件。

三、安装适配的CUDA版本+驱动 #

RTX 2060建议安装CUDA 11.4~11.7（这几个版本对Turing架构兼容性好，且PyTorch/TensorFlow等YOLO依赖框架支持完善）：

1. 先安装NVIDIA官方驱动：搜索RTX2060的最新稳定版驱动，下载安装（CUDA安装包自带驱动，但单独安装最新驱动更稳妥）。
2. 下载对应CUDA版本：选择适配系统的CUDA 11.x版本，按指引下载安装。安装时勾选「CUDA Toolkit」，其他组件按需选择，记录好安装路径。

四、配置环境变量（关键） #

安装完成后，需将CUDA路径加入系统环境变量，确保框架能识别到GPU：

• Windows：右键「此电脑」→「属性」→「高级系统设置」→「环境变量」，在系统变量中添加：
  • CUDA_PATH：值为CUDA安装路径（例：C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.7）
  • 在Path变量中添加%CUDA_PATH%\bin和%CUDA_PATH%\libnvvp
• Linux：在~/.bashrc或~/.zshrc末尾添加：

  export PATH=/usr/local/cuda-11.7/bin:$PATH
  export LD_LIBRARY_PATH=/usr/local/cuda-11.7/lib64:$LD_LIBRARY_PATH
  

  执行source ~/.bashrc使配置生效。

五、验证GPU是否可用 #

打开Jupyter Notebook，运行以下代码验证配置：

若使用PyTorch（YOLOv5/v8常用）： #

import torch
print(torch.cuda.is_available())
print(torch.cuda.device_count())
print(torch.cuda.get_device_name(0))

输出True、设备数1、RTX2060名称，说明GPU配置成功。

若使用TensorFlow（部分YOLO版本依赖）： #

import tensorflow as tf
print(tf.test.is_gpu_available())
print(tf.config.list_physical_devices('GPU'))

输出GPU设备信息即为配置成功。

六、确保YOLO代码启用GPU #

在YOLO训练代码中明确指定使用GPU：

• YOLOv5/v8：训练命令添加--device 0（0为单GPU编号），或代码中设置device = torch.device('cuda:0' if torch.cuda.is_available() else 'cpu')
• 旧版YOLO：检查代码中是否有cuda=True的设置，确保启用GPU加速。

七、排查剩余内核崩溃问题 #

若配置GPU后仍崩溃，检查以下两点：

• Jupyter内核对应框架版本：用pip list查看PyTorch/TensorFlow版本，确保版本支持当前CUDA（例：PyTorch 1.13+支持CUDA11.7）。
• 降低训练批次大小：若GPU显存不足，会导致崩溃，将--batch-size调小（例：从32改为16或8）。

内容的提问来源于stack exchange，提问作者beccapana