1. Проверка совместимости и подготовка системы
1.1. Требования к оборудованию

Для работы YOLOv8 с GPU-ускорением требуется видеокарта NVIDIA с вычислительной способностью (Compute Capability) не ниже 6.0. Рекомендуется минимум 8 ГБ видеопамяти для комфортной работы с моделями среднего размера.

1.2. Определение модели видеокарты

Выполните в терминале следующую команду для определения установленной видеокарты:

lspci | grep VGA


Пример вывода для карты RTX 2060:

0a:00.0 VGA compatible controller: NVIDIA Corporation TU106 [GeForce RTX 2060 Rev. A] (rev a1)

 

1.3. Обновление системы

Перед началом установки рекомендуется обновить все пакеты системы:

sudo apt update && sudo apt upgrade -y
sudo systemctl reboot

После перезагрузки установите необходимые зависимости для сборки и разработки:

sudo apt install build-essential dkms linux-headers-$(uname -r) wget curl git pkg-config -y

1.4. Отключение свободного драйвера Nouveau (если активен)

По умолчанию Debian использует открытый драйвер Nouveau, который конфликтует с проприетарными драйверами NVIDIA. Проверьте, загружен ли он:

lsmod | grep nouveau

Если вывод не пустой, создайте файл для его отключения:

sudo bash -c "echo 'blacklist nouveau' >> /etc/modprobe.d/blacklist-nvidia-nouveau.conf"
sudo bash -c "echo 'options nouveau modeset=0' >> /etc/modprobe.d/blacklist-nvidia-nouveau.conf"
sudo update-initramfs -u
sudo reboot

2. Установка драйверов NVIDIA и CUDA 12

Наиболее надёжный способ получить свежие драйверы и CUDA в Debian 13 — использовать официальный репозиторий NVIDIA.

2.1. Добавление официального репозитория NVIDIA CUDA

Загрузите и установите ключ репозитория NVIDIA CUDA для Debian 13 (репозиторий полностью совместим с Debian 13):

wget https://developer.download.nvidia.com/compute/cuda/repos/debian13/x86_64/cuda-keyring_1.1-1_all.deb
sudo dpkg -i cuda-keyring_1.1-1_all.deb
sudo apt update

2.2. Установка драйверов и CUDA Toolkit

Теперь можно установить драйверы и сам CUDA Toolkit одной командой:

sudo apt install cuda-drivers cuda-toolkit -y

    Примечание: Пакет cuda-drivers установит последнюю стабильную версию драйверов (на момент написания — 580.x). Для CUDA 12 требуется драйвер не ниже версии 560.28.03.

После завершения установки обязательно перезагрузите систему.

2.3. Настройка переменных окружения

Добавьте пути к исполняемым файлам CUDA в ваш ~/.bashrc:

echo 'export PATH=/usr/local/cuda-12/bin:$PATH' >> ~/.bashrc
echo 'export LD_LIBRARY_PATH=/usr/local/cuda-12/lib64:$LD_LIBRARY_PATH' >> ~/.bashrc
echo 'export CUDA_HOME=/usr/local/cuda-12' >> ~/.bashrc
source ~/.bashrc

2.4. Проверка установки драйверов и CUDA

Выполните следующие проверочные команды:

# Проверка драйвера

nvidia-smi

Ожидаемый вывод:

Mon Apr 13 23:00:21 2026       
+-----------------------------------------------------------------------------------------+
| NVIDIA-SMI 595.58.03              Driver Version: 595.58.03      CUDA Version: 12     |
+-----------------------------------------+------------------------+----------------------+
| GPU  Name                 Persistence-M | Bus-Id          Disp.A | Volatile Uncorr. ECC |
| Fan  Temp   Perf          Pwr:Usage/Cap |           Memory-Usage | GPU-Util  Compute M. |
|                                         |                        |               MIG M. |
|=========================================+========================+======================|
|   0  NVIDIA GeForce RTX 2060        On  |   00000000:0A:00.0  On |                  N/A |
|  0%   31C    P8              9W /  170W |     389MiB /   6144MiB |     17%      Default |
|                                         |                        |                  N/A |
+-----------------------------------------+------------------------+----------------------+

+-----------------------------------------------------------------------------------------+
| Processes:                                                                              |
|  GPU   GI   CI              PID   Type   Process name                        GPU Memory |
|        ID   ID                                                               Usage      |
|=========================================================================================|
|    0   N/A  N/A             994      G   /usr/lib/xorg/Xorg                      262MiB |
|    0   N/A  N/A            1230      G   /usr/bin/xfwm4                            2MiB |
|    0   N/A  N/A           13966      G   /usr/bin/firefox                        110MiB |
|    0   N/A  N/A          127208      G   beats                                     2MiB |
+-----------------------------------------------------------------------------------------+

3. Установка библиотеки cuDNN

cuDNN (CUDA Deep Neural Network library) — это оптимизированная библиотека примитивов для глубоких нейронных сетей, необходимая для ускорения работы PyTorch и YOLOv8.

3.1. Установка cuDNN из репозитория Debian

В Debian 13 пакет nvidia-cudnn доступен в секции contrib. Установите его командой:

sudo apt install nvidia-cudnn -y

В процессе установки появится диалоговое окно с лицензионным соглашением NVIDIA. Выберите «I Agree» и нажмите Enter. После этого скрипт автоматически загрузит и установит cuDNN.

3.2. Альтернативная установка из репозитория NVIDIA

Если требуется конкретная версия cuDNN, можно установить её напрямую из репозитория NVIDIA:

sudo apt install cudnn9-cuda-12 -y

3.3. Проверка установки cuDNN

Убедитесь, что библиотеки cuDNN корректно установлены:

ls -la /usr/lib/x86_64-linux-gnu/libcudnn*

Ожидаемый вывод должен содержать файлы вида libcudnn.so.9.x.x.

4. Установка OpenCV с поддержкой CUDA

Для полноценной работы с изображениями и видео в проектах компьютерного зрения, включая предварительную обработку данных для YOLOv8, необходима библиотека OpenCV с GPU-ускорением.

4.1. Установка системных зависимостей

Перед сборкой OpenCV установите все необходимые пакеты для разработки:

sudo apt install -y \
    build-essential cmake git pkg-config \
    libgtk-3-dev \
    libavcodec-dev libavformat-dev libswscale-dev libv4l-dev \
    libxvidcore-dev libx264-dev \
    libjpeg-dev libpng-dev libtiff-dev \
    gfortran openexr libatlas-base-dev \
    python3-dev python3-numpy python3-pip \
    libtbb2 libtbb-dev libdc1394-22-dev \
    libopenblas-dev liblapack-dev \
    libgstreamer1.0-dev libgstreamer-plugins-base1.0-dev

4.2. Клонирование репозиториев OpenCV

Скачайте исходные коды OpenCV и модулей opencv_contrib:

cd ~
git clone https://github.com/opencv/opencv.git
git clone https://github.com/opencv/opencv_contrib.git
cd opencv
git checkout 4.x
cd ../opencv_contrib
git checkout 4.x
cd ..

4.3. Конфигурация CMake с поддержкой CUDA

Создайте директорию для сборки и выполните конфигурацию с включением CUDA:

cd ~/opencv
mkdir build && cd build
cmake -D CMAKE_BUILD_TYPE=RELEASE \
    -D CMAKE_INSTALL_PREFIX=/usr/local \
    -D INSTALL_C_EXAMPLES=ON \
    -D INSTALL_PYTHON_EXAMPLES=ON \
    -D OPENCV_GENERATE_PKGCONFIG=ON \
    -D OPENCV_EXTRA_MODULES_PATH=~/opencv_contrib/modules \
    -D BUILD_EXAMPLES=ON \
    -D WITH_CUDA=ON \
    -D WITH_CUDNN=ON \
    -D OPENCV_DNN_CUDA=ON \
    -D ENABLE_FAST_MATH=1 \
    -D CUDA_FAST_MATH=1 \
    -D WITH_CUBLAS=1 \
    -D WITH_OPENGL=ON \
    -D WITH_GTK=ON \
    -D WITH_FFMPEG=ON \
    -D WITH_GSTREAMER=ON \
    ..

4.4. Сборка и установка

Соберите OpenCV, используя все доступные ядра процессора (параметр -j$(nproc)):

make -j$(nproc)

Процесс сборки может занять от 15 минут до часа в зависимости от мощности вашего процессора.

После успешной компиляции установите библиотеку:

sudo make install
sudo ldconfig

4.5. Проверка установки OpenCV с поддержкой CUDA

Выполните следующие команды для проверки:

# Проверка версии OpenCV через pkg-config
pkg-config --modversion opencv4
# Проверка поддержки CUDA в Python
python3 -c "import cv2; print('OpenCV version:', cv2.__version__); print('CUDA devices:', cv2.cuda.getCudaEnabledDeviceCount())"

Ожидаемый вывод:

OpenCV version: 4.*
CUDA devices: 1

5. Настройка Python-окружения и установка YOLOv8
5.1. Создание виртуального окружения (рекомендуется)

Для изоляции зависимостей используйте venv:

python3 -m venv ~/yolo_env
source ~/yolo_env/bin/activate

5.2. Установка PyTorch с поддержкой CUDA 12

Установите PyTorch, совместимый с CUDA 12:

pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121

5.3. Проверка доступности GPU в PyTorch

Убедитесь, что PyTorch видит вашу видеокарту:

python3 -c "import torch; print('CUDA available:', torch.cuda.is_available()); print('GPU Name:', torch.cuda.get_device_name(0) if torch.cuda.is_available() else 'N/A')"

Ожидаемый вывод:

CUDA available: True
GPU Name: NVIDIA GeForce RTX 2050

5.4. Установка Ultralytics YOLOv8

Установите фреймворк Ultralytics, который включает YOLOv8:

pip install ultralytics

5.5. Тестирование YOLOv8 с GPU

Запустите простое предсказание на тестовом изображении, чтобы убедиться, что CUDA активно используется:

python

from ultralytics import YOLO

# Загрузка предобученной модели YOLOv8n (nano)
model = YOLO('yolov8n.pt')

# Принудительное использование GPU
results = model('https://ultralytics.com/images/bus.jpg', device=0, save=True)

# Вывод результатов
for r in results:
    print(f"Detected {len(r.boxes)} objects")
    print(f"Inference time: {r.speed['inference']:.2f} ms")

При успешном запуске вы увидите лог с информацией об использовании GPU и времени инференса.

5.6. Мониторинг использования GPU

Во время работы YOLOv8 вы можете следить за загрузкой видеокарты в реальном времени с помощью nvtop или nvidia-smi:

# Установка nvtop для визуального мониторинга

sudo apt install nvtop -y
nvtop

Или через nvidia-smi в режиме обновления:

watch -n 0.5 nvidia-smi

Заключение

После выполнения всех шагов этого руководства у вас должно быть полностью настроенное окружение для глубокого обучения на Debian 13 с:

    Драйверами NVIDIA (580.x)

    CUDA Toolkit 12.6

    Библиотекой cuDNN 9.x

    OpenCV с поддержкой CUDA

    PyTorch с GPU-ускорением

    Ultralytics YOLOv8, работающим на видеокарте

Такая конфигурация обеспечивает максимальную производительность при решении задач компьютерного зрения — обучении собственных моделей YOLOv8, детекции объектов в реальном времени и обработке видеопотоков с использованием аппаратного ускорения.

Регулярно проверяйте наличие обновлений драйверов и библиотек через sudo apt update && sudo apt upgrade для поддержания системы в актуальном состоянии и получения исправлений безопасности.