本文详细介绍了在Windows Subsystem for Linux 2 (WSL2) 环境中配置YOLOv8深度学习模型的步骤。首先，确保BIOS开启虚拟化，并在Windows中启用必要的WSL功能。随后，配置WSL使用Windows代理，解决网络问题。接着，逐步指导用户安装Python、pip，创建虚拟环境，并安装PyTorch和Ultralytics库。最后，通过运行YOLOv8示例验证GPU是否正常工作，并提供常见问题的解决方案，为用户提供了清晰、可操作的指南。

💻 **开启WSL与配置代理:** 确保BIOS开启虚拟化，在Windows中启用Virtual Machine Platform和适用于Linux的Windows子系统。配置WSL使用Windows代理，在用户目录下创建.wslconfig文件，设置networkingMode和autoProxy，解决网络问题。

🐍 **安装Python与创建虚拟环境:** 在WSL中安装Python和pip，使用mkdir命令创建YOLOv8项目目录。进入项目目录，使用python3 -m venv venv创建虚拟环境，并使用source venv/bin/activate命令激活虚拟环境。

⚙️ **安装PyTorch与验证GPU:** 根据PyTorch官网，选择合适的CUDA版本，使用pip install安装PyTorch、torchvision和torchaudio。使用python -c "import torch; print(torch.cuda.is_available())"验证PyTorch是否支持GPU。

🚀 **安装YOLOv8与运行示例:** 使用pip install ultralytics安装YOLOv8。通过yolo命令验证安装。下载并运行官方模型推理示例，使用yolo task=detect mode=predict命令，验证GPU是否正常工作。

💡 **常见问题与目录结构:** 解决nvidia-smi报错和PyTorch不识别CUDA等问题。推荐YOLOv8项目目录结构，包含虚拟环境、数据集、模型、输出和配置文件，方便项目管理。

最近想学习下YOLOv8模型，在电脑中的启用wsl2，并在wsl中配置YOLOv8的环境，记录下环境配置的步骤。

1.启用WSL

首先确定自己电脑主板BIOS里的虚拟化是否开启了，我这里是AMD的CPU，将BIOS中的SVM开启。

然后在windows的控制面板-程序-程序和功能-启用或关闭Windows功能中，开启Virtual Machine Platform和适用于Linux的Windows子系统，至于Hyper-V，ChatGPT提示不是wsl必须的项。

完成上面的设置后，打开windows终端，执行命令：

wsl --install

一键安装wsl2，安装后我执行了更新命令，更新到了最新版：

wsl --update

2.配置wsl使用windows的代理

如果windows本身有使用网络代理，安装上wsl，在终端进入wsl后，会有一句代理的提示，这是因为wsl2使用的是NAT网络，无法使用windows的代理。进行代理配置，在windows中，系统盘-用户-用户名文件夹下（比如C:/用户/Tai）创建.wslconfig文件，并写入配置：

[wsl2]networkingMode=mirroredautoProxy=true

在终端中执行：

wsl --shutdown

再重新进入wsl。

3.YOLOv8环境配置

在wsl中执行nvidia-smi，看是否有显卡信息输出，显卡驱动大于510，则不需要安装CUDA Toolkit for WSL，否则需要安装。

3.1 安装 Python 和 pip，并创建虚拟环境

执行如下命令：

sudo apt update && sudo apt install -y python3 python3-pip python3-venv

在用户目录下创建YOLOv8的文件夹，便于管理：

mkdir -p ~/projects/yolov8-study

进入该目录下，创建虚拟环境并启用：

cd ~/projects/yolov8-studypython3 -m venv venvsource venv/bin/activate

后续就可以进入这个目录，并使用source命令进入虚拟环境，虚拟环境可以隔离各个项目，保证环境的干净。

3.2 安装PyTorch

我这里是2070的显卡，所以安装CUDA版本，可以在PyTorch官网pytorch.org/get-started…，根据自己的配置选择，我这里是Linux + pip + Python + CUDA 12.8

上面启用虚拟环境后，执行以下：

pip install --upgrade pippip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu128

成功执行后，输入命令验证Pytorch是否支持GPU：

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

显示true就表示配置成功。

3.3 安装YOLOv8（Ultralytics）

执行命令：

pip install ultralytics

验证安装：

yolo

会显示YOLO的CLI帮助信息。

3.4 运行 YOLOv8 示例（测试 GPU）

下载并运行官方模型推理示例（这个命令会下载一张bus的照片，以及生成结果文件，可以在yolov8-study文件夹执行，以免目录和文件乱了）：

yolo task=detect mode=predict model=yolov8n.pt source='https://ultralytics.com/images/bus.jpg'

如果成功运行且速度较快（几百毫秒内），说明 GPU 正常工作。

3.5常见问题

❗ nvidia-smi 报错：说明 NVIDIA 驱动未完全支持 WSL GPU，确保 Windows 和驱动都是最新。❗ PyTorch 不识别 CUDA：可能安装的是 CPU 版本，请使用 --index-url 安装正确 CUDA 版本。❗ 下载模型失败：检查网络代理或改用国内镜像。

我上面的虚拟环境，以及后面的yolo命令都是在yolov8-study文件目录下执行的，因为会生成文件夹，在主目录执行的话，感觉目录很乱，以下是ChatGPT推荐的目录结构

yolov8-study/├── venv/                  # 虚拟环境目录（可选放）├── data/                  # 自定义数据集│   ├── images/│   └── labels/├── models/                # 保存训练好的模型.pt├── runs/                  # 推理和训练输出├── data.yaml              # 数据集配置├── train.sh               # 可选的训练脚本└── README.md              # 记录项目说明

至此YOLOv8的环境就搭建好了，后面准备在学习具体的应用。