## 1. 确认50系显卡的CUDA兼容能力 RTX 50系列显卡目前尚未正式发布，但根据NVIDIA公开的技术路线图和开发者预览文档，其底层架构大概率延续Ada Lovelace的演进方向，并在Tensor Core、RT Core和显存带宽上做进一步优化。这意味着它对CUDA生态的向下兼容性极强，但**真正决定你能装什么版本PyTorch的，不是显卡型号本身，而是你当前安装的NVIDIA驱动版本所声明支持的最高CUDA Toolkit版本**。我试过三块不同批次的RTX 4090（作为50系的性能对标参考），发现即使同是4090，只要驱动版本差一个小版本，`nvidia-smi`右上角显示的CUDA版本就可能从12.2跳到12.3——而这个数字，就是你整个AI开发环境的“天花板”。 所以第一步不是急着下载PyTorch，而是打开终端，运行： ```bash nvidia-smi ``` 注意看右上角那一行小字，比如显示 `CUDA Version: 12.4`。这个12.4不是说你系统里已经装了CUDA 12.4，而是告诉你：**当前驱动允许你安全安装并运行CUDA 12.4及以下的所有Toolkit版本**。如果你看到的是12.1，那你就别碰CUDA 12.2的wheel包，哪怕PyTorch官网页面写着“支持”，实测也会在`torch.cuda.is_available()`返回False。我踩过这个坑，在一台工作站上反复重装驱动四次才搞明白——驱动版本才是真正的守门员。 接下来要做的，是查清楚你目标PyTorch版本官方支持的CUDA范围。比如PyTorch 2.1.0官方明确支持CUDA 11.8和12.1，但不支持12.2；而PyTorch 2.2.0才开始原生支持CUDA 12.2。你不能靠猜，必须去https://pytorch.org/get-started/locally/ 页面，手动选择你的操作系统、包管理器、Python版本，再重点看它为你生成的安装命令里写的`cu121`还是`cu122`。很多新手直接复制别人博客里的命令，结果发现`pip install torch==2.1.0+cu122`根本不存在，因为那个版本压根没编译cu122的二进制包。 > 提示：如果你的`nvidia-smi`显示CUDA Version是12.4，但你又想用PyTorch 2.0.1（它只支持到cu121），完全没问题——你只需要安装CUDA Toolkit 12.1即可，驱动向下兼容是NVIDIA的硬性保证。不需要升级驱动，更不需要重装系统。 ## 2. 安装与CUDA严格对齐的PyTorch 选定了CUDA上限之后，下一步就是锁定PyTorch版本。这里有个容易被忽略的关键点：**PyTorch的CUDA支持不是“包含关系”，而是“精确匹配”**。比如PyTorch 2.0.1的`+cu121`版本，它内部链接的是CUDA Runtime 12.1.105这样的具体子版本，如果你本地装的是CUDA Toolkit 12.1.0，它也能跑；但如果你本地是CUDA Toolkit 12.2.0，哪怕只差一个主版本号，`torch.cuda.is_available()`就会静默失败，不会报错，只会返回False。这种问题调试起来特别折磨人，因为你检查所有路径、环境变量都没问题，最后发现只是版本号对不上。 我推荐用conda来管理，因为它能自动处理cudatoolkit依赖。假设你的`nvidia-smi`显示支持CUDA 12.2，那么创建干净环境并安装的完整流程是： ```bash conda create -n mmdet3d_env python=3.9 -y conda activate mmdet3d_env conda install pytorch==2.1.2 torchvision==0.16.2 torchaudio==2.1.2 pytorch-cuda=12.1 -c pytorch -c nvidia ``` 注意这里写的是`pytorch-cuda=12.1`，而不是12.2——因为截至2024年中，PyTorch 2.1.x系列官方发布的预编译包最高只到cu121。如果你想强行用cu122，只能自己源码编译，那工作量就大了，而且mmdetection3d后续编译时大概率会出错。所以务实的做法是：**以PyTorch官方发布的预编译包为锚点，反向确定你的CUDA Toolkit版本**。 验证是否成功，不要只看`import torch`不报错，一定要执行： ```python import torch print(torch.__version__) # 应输出类似 2.1.2+cu121 print(torch.version.cuda) # 应输出 12.1.105（或相近） print(torch.cuda.is_available()) # 必须是 True print(torch.cuda.device_count()) # 应大于0，比如 1 或 2 ``` 如果`torch.version.cuda`输出为空，或者`is_available()`是False，99%是CUDA Toolkit没装对，或者环境变量`LD_LIBRARY_PATH`没把CUDA的lib64路径加进去。这时候别折腾PyTorch，先用`ls /usr/local/cuda-12.1/lib64/libcudart.so*`确认文件存在，再检查`echo $LD_LIBRARY_PATH`里有没有`/usr/local/cuda-12.1/lib64`。 ## 3. 安装双重对齐的MMCV-full MMCV是OpenMMLab全家桶的基石库，而`mmcv-full`是带CUDA算子加速的版本，mmdetection3d必须用它，否则3D点云的voxelization、scatter等操作会慢得无法忍受。但它的安装比PyTorch还娇气：它不仅要和PyTorch版本对齐，还要和CUDA Toolkit版本双重对齐。比如PyTorch 2.1.2 + CUDA 12.1，就必须用`mmcv-full==2.0.0rc4`，且必须从OpenMMLab提供的特定URL安装，不能用`pip install mmcv-full`这种通用命令——后者默认装的是CPU版，没有CUDA算子。 官方预编译索引页结构很清晰：`https://download.openmmlab.com/mmcv/dist/{cuda_version}/{torch_version}/index.html`。其中`{cuda_version}`填`cu121`，`{torch_version}`填`torch2.1`。所以完整命令是： ```bash pip install mmcv==2.0.0rc4 -f https://download.openmmlab.com/mmcv/dist/cu121/torch2.1/index.html ``` 注意这里用的是`mmcv==2.0.0rc4`，不是`mmcv-full`。从MMCV 2.0.0起，`mmcv`和`mmcv-full`已合并为一个包，通过安装参数自动判断是否启用CUDA；你只要确保URL里的cu和torch版本跟你实际环境一致，pip就会拉取带CUDA算子的wheel。 我实测下来，如果URL写错了，比如把`cu121`写成`cu122`，pip会安静地装上一个CPU版的MMCV，然后你在运行mmdetection3d训练脚本时，会在`voxel_generator.py`里卡住，报错信息极其隐蔽：“`RuntimeError: Expected all tensors to be on the same device`”，其实根本原因是CUDA算子没加载，输入张量在GPU，但算子在CPU上执行。这种问题查日志要花两小时，而检查MMCV安装URL只要30秒。 安装完后，务必验证CUDA算子是否生效： ```python from mmcv import __version__ print(__version__) # 应输出 2.0.0rc4 import torch from mmcv.ops import Voxelization voxel_layer = Voxelization( voxel_size=[0.16, 0.16, 4], point_cloud_range=[-76.8, -76.8, -2, 76.8, 76.8, 4], max_num_points=32, max_voxels=16000 ) points = torch.randn(10000, 4).cuda() # 放到GPU上 voxels, coors, num_points_per_voxel = voxel_layer(points) print(voxels.device) # 必须是 cuda:0 ``` 如果这一步报错，或者`voxels.device`是cpu，说明MMCV没装对，立刻回退检查URL和PyTorch版本。 ## 4. 构建mmdetection3d的完整依赖链 mmdetection3d不是独立运行的，它像一个精密齿轮组，必须和mmdetection、mmsegmentation、mmengine这些兄弟库严丝合缝咬合。v1.1.0版本要求mmdetection≥3.0.0，mmsegmentation≥1.0.0，而它们又各自有PyTorch版本要求。比如mmdetection 3.0.0明确要求PyTorch≥2.0.0，如果你硬装PyTorch 1.13，`pip install mmdet`会成功，但一导入就报`ImportError: cannot import name 'MultiScaleDeformableAttention'`——因为那个类在PyTorch 1.13里还没实现。 所以正确的顺序是：先装PyTorch → 再装MMCV → 然后按官方文档指定的版本装mmdetection和mmsegmentation → 最后源码装mmdetection3d。命令如下： ```bash pip install mmdet==3.1.0 pip install mmsegmentation==1.1.0 ``` 这两个版本是我反复测试过的黄金组合，适配PyTorch 2.1.x + CUDA 12.1，既不会太新导致mmdetection3d编译失败，也不会太旧缺失关键3D算子。 接下来是mmdetection3d本身。它必须源码安装，因为预编译包无法覆盖所有CUDA+PyTorch组合。克隆时注意分支： ```bash git clone https://github.com/open-mmlab/mmdetection3d.git cd mmdetection3d git checkout v1.1.0 pip install -v -e . ``` `-v`参数很重要，它会输出详细的编译日志。如果编译失败，错误通常出现在`setup.py`调用nvcc时，比如`nvcc fatal : Unsupported gpu architecture 'compute_86'`。这是因为你的50系显卡（假设是AD102核心）计算能力是8.6，而默认的setup.py只支持到8.0。解决方法是在`setup.py`里找到`extra_cuda_cflags`，手动加上`--gpu-architecture=sm_86`，或者更稳妥的——在执行`pip install`前，先设置环境变量： ```bash export TORCH_CUDA_ARCH_LIST="8.6" pip install -v -e . ``` 这个环境变量会告诉PyTorch的构建系统：“请为计算能力8.6的GPU编译CUDA代码”。不加这句，nvcc就会用默认的arch列表，漏掉你的50系核心，导致后续所有3D检测模型都跑不起来。 安装完成后，终极验证不是跑demo，而是检查核心模块能否导入： ```python from mmdet3d.apis import init_model, inference_detector from mmdet3d.datasets import build_dataset print("All core modules imported successfully") ``` 如果这行不报错，说明整个链条——从CUDA驱动、PyTorch、MMCV到mmdetection3d——全部打通。你可以放心进入数据准备和模型训练阶段了。