YOLO文本检测训练遇libcudart.so.11.0缺失问题求助

问题概述 #

使用TrainYourOwnYOLO仓库训练YOLO模型做文本检测时，运行权重下载转换脚本触发TensorFlow错误：

Could not load dynamic library 'libcudart.so.11.0'; dlerror: libcudart.so.11.0: cannot open shared object file: No such file or dir

已执行操作：

• 运行sudo apt-get update和sudo apt install nvidia-cuda-toolkit
• 尝试sudo find / -name 'libcudart.so*'但收到权限拒绝提示

需求：

• 确认CUDA 11安装方案的安全性
• 获取其他解决该库缺失问题的方法
• 寻找基于VoTT标注图像运行YOLO的更简便流程

方案一：安全安装CUDA 11（新手友好） #

你参考的Ubuntu 20.04安装CUDA 11的方案是安全的，只要严格按步骤执行：

1. 先检查NVIDIA驱动兼容性：运行nvidia-smi查看驱动版本，CUDA 11.0要求驱动≥450.80.02，版本不够先更新驱动
2. 卸载冲突的旧工具包：sudo apt-get purge nvidia-cuda-toolkit
3. 添加NVIDIA官方源（避免apt默认的旧版本），按教程步骤执行即可
4. 安装CUDA 11.0时选择自定义安装，取消勾选与现有驱动重复的选项
5. 配置环境变量：
   在~/.bashrc末尾添加：

   export PATH=/usr/local/cuda-11.0/bin${PATH:+:${PATH}}
   export LD_LIBRARY_PATH=/usr/local/cuda-11.0/lib64${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}
   

   运行source ~/.bashrc使配置生效
6. 验证安装：运行nvcc -V查看CUDA版本，find /usr/local/cuda-11.0/lib64 -name 'libcudart.so*'确认库存在

方案二：临时用CPU模式运行脚本 #

如果只是测试流程，不想折腾CUDA，可以强制TensorFlow使用CPU：

• 运行脚本前设置环境变量：

  export CUDA_VISIBLE_DEVICES=-1
  

• 或者在Python代码开头添加：

  import os
  os.environ['CUDA_VISIBLE_DEVICES'] = '-1'
  

注意：该方法训练速度极慢，仅适合小数据集测试。

方案三：更简便的VoTT+YOLO训练流程 #

推荐使用YOLOv8，官方支持VoTT标注格式，流程更简洁：

1. 安装依赖库：pip install ultralytics
2. 导出标注：VoTT可直接导出YOLO格式的标注文件，无需额外转换
3. 创建数据集配置文件（your_dataset.yaml），示例内容：

   train: ./train/images
   val: ./val/images
   nc: 1  # 文本检测为单类别，根据你的标注调整
   names: ['text']
   

4. 启动训练：

   yolo train data=your_dataset.yaml model=yolov8n.pt epochs=50
   

YOLOv8会自动适配CUDA环境，无需手动配置复杂依赖，新手友好度更高。

内容的提问来源于stack exchange，提问作者Anna M