由于原本安装的是 deepin20.9，系统已经有点老了，很多依赖和组件都无法比较方便的安装。所以出于对新软件的适配，我在系统上又同时安装了 deepin23.1，但可能新版本的系统和旧版本的系统差别确实比较大，原本安装cuda相关的教程已经不再适用，故而也就有了这篇文章的出现。

PS: deepin23.1 目前已经相当成熟，而且特效方面和企业微信适配方面，在我的尝试下，比起 deepin20.9 要好的多，所以还是建议安装 deepin23.1 。如果仍旧需要在 deepin20.9 中安装相关环境，可以参考原本的这篇文章。

前期踩坑

由于最开始并不了解 deepin23.1 相关的内容，我就还是按照上一篇文章中的步骤安装 cuda 和 anaconda 相关的环境。安装了之后，不仅搞得桌面运行相当的卡，而且命令行中的相关训练也无法正常进行。可能这个也和我电脑上的显卡太老有关系（我的显卡是Quadro M4000，已经是10多年前的卡了）。
后来实在感觉没法用，就又重新安装了一遍系统（其他所有的软件，数据和配置都已经从旧系统迁移过来了，现在只能忍痛重装了_||）。
重装的时候，注意到了安装界面提示的是安装 闭源显卡驱动 ，而在 deepin20.9 的时候，提示的是 开源显卡驱动，于是猜想是不是现在新版本的系统已经集成好了比较适合的版本的驱动，如果是这样的话，我自己卸载已有的驱动，再安装旧的驱动，搞不好一来不适配，二来还多此一举。

继续尝试

在安装完系统之后，因为没有相应的 nvidia-smi 的命令存在，遂询问 ChatGPT。
他给出的建议是，系统中可能已经集成了 nvidia闭源驱动的核心模块，但用户空间工具包可能未安装。
所以这里先搜索nvidia相关包

        折叠代码块BASH
        复制代码
      
# 更新包的源
sudo apt-get update
# 搜索 nvidia 相关的包，发现有 nvidia-smi
sudo apt search nvidia
# 故直接安装这个包
sudo apt-get install -y nvidia-smi
# 通过该命令查看是否可以查看显卡相关信息
nvidia-smi

然后安装 cuda 相关的依赖

        折叠代码块BASH
        复制代码
      
# 搜索包管理器里和 cuda 相关的包
apt search cuda
# 发现有 toolkit 包，于是直接安装
# 因为我这里安装了 nvidia-smi 后并没有显示 cuda 的版本，ChatGPT提示说是缺少 runtime ，
# 而安装了 toolkit 后，相关依赖也就一并安装好了 
sudo apt install nvidia-cuda-toolkit
# 安装完后，使用如下命令查看是否安装成功
# 这里 nvcc --version 显示的版本和 nvidia-smi 可能不同
# ChatGPT 说的是 nvcc 可以看做是编译器版本， nvidia-smi 的 cuda version 是驱动能识别的最大语言版本，所以并无影响 
nvcc --version

因为这里使用的都是包管理器里自带的包，稳定性和适配性都会比较好，而且也不需要再去考虑安装哪个版本，这样就会简单很多了。
而 cuDNN 可以用于深度学习时的高性能实现，安装 anaconda 后再安装 YOLO 相关环境，这些库就可以自动安装了，所以这里只需要安装 anaconda 即可。

        折叠代码块BASH
        复制代码
      
# 在该页面下载相关的 anaconda 的软件包
# https://www.anaconda.com/download/success
# 然后进行相关安装。安装过程根据提示处理即可。
# 我这里下载的是 Distribution Installers 的版本
# 安装好之后，激活一下conda
~/anaconda3/bin/conda init
# 去掉激活命令行终端后，前边显示的 (base)
conda config --set auto_activate_base false
# 创建某个虚拟环境
conda create -n yolov10 python=3.10 -y 
# 激活虚拟环境
conda activate yolov10
# 安装 ultralytics
pip install ultralytics==8.3.89
# 这里我使用默认安装的库时，torch相关的库会有问题
# 所以先删除虚拟环境相关的torch库，然后再安装适合的版本
cd ~/anaconda3/envs/yolov10/lib/python3.10/site-packages/
rm -rf torch*
# 这里我安装了cu124成功运行了训练命令
# 如果需要安装其他cuda版本下的torch，可以更换cu124的版本，如 cu128，代表的是 cuda12.8
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu124
# 创建测试文件夹
mkdir -p ~/workspace/yolov10
cd ~/workspace/yolov10
# 进行yolo简单命令的训练
# 我这里使用了自己已经准备好的验证数据集
# 如果没有问题的话，相关训练就可以启动起来了
yolo detect train data=./datasets/data.yaml model=./model/yolo11n.pt epochs=1 project=./result name=v11n_640_20250821 device=0

结尾总结

对于新系统下的训练的相关尝试，感觉好像是比原来要快很多。不过最幸运的也还是系统已经集成了更多的简单安装方法，就不需要那么费劲去自己来找方法解决问题了吧