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=mirrored
autoProxy=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-study
python3 -m venv venv
source 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 pip
pip 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。
