yolo训练时内核崩溃，往往是因为pytorch未启用cuda支持，导致模型强制回退至cpu运行，引发内存溢出或计算超时；根本解决方法是安装与系统cuda版本匹配的gpu加速版pytorch。
YOLO（尤其是基于PyTorch实现的YOLOv5/v8/v10等）默认依赖PyTorch进行张量运算和自动求导。若安装的是cpuonly版本的PyTorch，即使你的设备搭载RTX 2060（支持CUDA 10.2+），模型仍会在CPU上执行全部训练操作——这不仅极慢，更易因CPU内存不足或Jupyter内核超时而直接崩溃（报错如 The Kernel crashed while executing code...）。
✅ 正确做法：安装带CUDA支持的PyTorch
首先确认本机CUDA驱动版本（非CUDA Toolkit）：
nvidia-smi # 查看右上角显示的CUDA Version（例如：12.4）
⚠️ 注意：nvidia-smi 显示的是驱动支持的最高CUDA版本，不是已安装的CUDA Toolkit版本。PyTorch只需驱动兼容，无需本地安装完整CUDA Toolkit（除非你手动编译扩展）。
然后前往 PyTorch官网，选择对应配置。对于 RTX 2060 + 最新驱动（通常支持 CUDA 11.8 或 12.x），推荐命令如下（以CUDA 12.1为例）：
# 卸载旧版（如有） pip uninstall torch torchvision torchaudio # 安装官方预编译的CUDA 12.1版（自动适配cu121） pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121
安装完成后，在Python中验证GPU是否可用：
import torch print(torch.__version__) # 应显示类似 '2.3.0+cu121' print(torch.cuda.is_available()) # 必须输出 True print(torch.cuda.device_count()) # 应 ≥ 1 print(torch.cuda.get_device_name(0)) # 应显示 'GeForce RTX 2060'
✅ 验证通过后，再运行YOLO训练脚本（如yolo train ...），框架将自动启用GPU——你可在任务管理器或nvidia-smi中实时观察GPU显存与计算占用率显著上升。
? 补充建议：
- 使用YOLOv8/v10时，确保ultralytics库为最新版：pip install --upgrade ultralytics；
- Jupyter中若仍崩溃，请重启内核（Kernel → Restart & Clear Output）；
- 不要自行安装CUDA 7.5（已严重过时，RTX 2060不支持），现代PyTorch仅支持 CUDA 11.3+；
- 若使用Conda环境，推荐用conda install pytorch torchvision torchaudio pytorch-cuda=12.1 -c pytorch -c nvidia保持环境一致性。
正确配置GPU后，YOLO训练速度可提升5–10倍，且内核稳定性大幅增强——这才是深度学习实践的第一步坚实基础。
