VMware虚拟机部署：万物识别模型开发环境搭建指南

1.

为什么要在虚拟机里跑万物识别模型

很多人第一次接触万物识别模型时，会直接在物理机上安装依赖、配置环境。

这看起来最简单，但实际用起来问题不少——显卡驱动冲突、Python版本打架、不同项目依赖互相覆盖，甚至一不小心就把系统环境搞崩了。

我之前就因为同时跑几个视觉模型，把CUDA版本来回切换，最后连基础的NVIDIA驱动都装不上，重装系统花了大半天。

虚拟机提供了一种更稳妥的方案。

它像一个独立的“小电脑”，所有操作都在里面进行，和宿主机完全隔离。

你可以在里面大胆尝试各种配置，哪怕搞砸了，一键快照回滚就行，几分钟就能回到最初状态。

更重要的是，GPU穿透技术让虚拟机也能直接调用物理显卡，性能损失几乎可以忽略不计，推理速度和在物理机上基本没差别。

这个指南不是教你怎么从零开始学Linux命令，而是聚焦在真正卡住新手的几个关键点上：怎么让虚拟机认出你的显卡、怎么设置文件共享让代码和图片传得顺、怎么用快照避免反复折腾。

整个过程不需要你记住一堆参数，每一步我都配了截图级的操作说明，跟着做就行。

2.

宿主机硬件与软件要求

先确认你的电脑能不能撑得起这套组合。

核心就两条：显卡和内存。

• 显卡：必须是NVIDIA

  GTX

  2060、3060、4070都行），且驱动版本不低于515.48.07。

  AMD显卡目前不支持GPU穿透，别白费功夫。

• 内存：建议至少32GB。

  虚拟机分配16GB后，宿主机还能留16GB给Chrome、IDE等其他程序，不至于卡成PPT。

• 存储：SSD是刚需，推荐预留100GB以上空间。

  模型本身不大，但训练缓存、数据集、日志文件加起来很容易吃掉几十个G。

VMware

Workstation

17是目前最稳定的版本，免费版Player不支持GPU穿透，别图省事。

安装时记得勾选“VMware

Tools”和“Unity模式”这两个组件，后面会用到。

2.2

创建虚拟机的实操要点

新建虚拟机时，很多教程让你一路“下一步”，结果到了最后发现显卡根本用不上。

这里有几个关键选项必须手动调整：

• 操作系统类型：选“Ubuntu

  22.04

  LTS”。

  别选“其他Linux”，否则VMware不会自动加载GPU驱动模块。

• 处理器配置：勾选“虚拟化Intel

  VT-x/EPT或AMD-V/RVI”，这是GPU穿透的前提。

  CPU核心数建议设为宿主机物理核心数的一半，比如你有16核，就给虚拟机8核，留一半给宿主机。

• 内存分配：直接拉到16GB。

  别听网上说“8GB够用”，万物识别模型加载时动辄占用10GB显存+6GB内存，8GB会频繁触发Swap，速度慢到怀疑人生。

• 网络适配器：选“NAT模式”。

  桥接模式虽然能直连局域网，但容易和宿主机IP冲突，对开发环境来说NAT完全够用。

创建完成后，先别急着开机。

右键虚拟机→“设置”→“显示器”，把“加速3D图形”打上勾。

这一步很多人漏掉，会导致后续CUDA初始化失败。

2.3

安装Ubuntu

22.04的避坑提醒

启动虚拟机，挂载Ubuntu

22.04

ISO镜像。

安装过程中有两个地方特别容易踩雷：

• 磁盘分区：选“清除整个磁盘并安装Ubuntu”，别手贱点“其他选项”去手动分区。

  LVM逻辑卷管理在虚拟机里纯属添乱，后期扩容麻烦不说，还可能和NVIDIA驱动冲突。

• 用户账户：用户名别用中文或带空格，就用devuser这种简单英文。

  密码也别设太复杂，后面SSH免密登录会用到，记不住反而耽误事。

安装完重启，进入系统第一件事：打开终端，执行sudo

apt

-y。

等所有更新装完，再关机。

这步不能省，新版内核对NVIDIA驱动兼容性更好。

3.

GPU穿透配置：让虚拟机真正用上显卡

3.1

宿主机端的关键设置

GPU穿透不是开个开关就完事，需要宿主机配合做三件事：

第一步：禁用NVIDIA驱动的显示功能

/>Windows宿主机上，以管理员身份运行PowerShell，执行：

bcdedit
/set
auto

然后重启电脑。

这句命令是告诉Windows：“我要用Hyper-V虚拟化技术，你别抢着管显卡”。

第二步：关闭Windows自带的显示驱动

/>按Win+X，选“设备管理器”→展开“显示适配器”，右键你的NVIDIA显卡→“禁用设备”。

注意！不是卸载，是禁用。

这样VMware才能独占显卡控制权。

第三步：VMware高级配置

/>回到VMware，右键虚拟机→“设置”→“选项”→“高级”→“编辑配置”，在弹出的文本框里粘贴三行：

mks.enable3d
=
"TRUE"

最后一行最关键，它开启PCIe直通支持。

保存后，虚拟机设置里的“显示器”选项卡会多出一个“使用主机图形处理器”的复选框，把它勾上。

3.2

虚拟机内驱动安装全流程

启动虚拟机，打开终端，按顺序执行以下命令。

别复制粘贴整段，一行一行来，看清楚每步的输出：

#
sudo
下载NVIDIA官方驱动（535.129.03是当前最稳版本）
wget
https://us.download.nvidia.com/XFree86/Linux-x86_64/535.129.03/NVIDIA-Linux-x86_64-535.129.03.run
chmod
NVIDIA-Linux-x86_64-535.129.03.run
sudo
reboot

重启后会进入黑屏命令行，用刚才设的用户名密码登录。

执行：

sudo
./NVIDIA-Linux-x86_64-535.129.03.run
--no-opengl-files
--no-x-check

安装过程中遇到提示，全部选“Yes”。

装完执行：

sudo
systemctl
reboot

重启进桌面，打开终端验证：

nvidia-smi

如果看到显卡型号、温度、显存占用，说明穿透成功。

如果报错“NVIDIA-SMI

has

failed”，大概率是前面某步没做对，重点检查宿主机是否禁用了显卡设备。

3.3

CUDA与cuDNN的精准匹配

万物识别模型对CUDA版本很敏感。

ModelScope官方镜像要求CUDA

11.8，别自己装12.x，否则pip

install

torch会报一堆找不到库的错误。

下载CUDA

11.8

Toolkit（非完整版，只装Runtime）：

wget
https://developer.download.nvidia.com/compute/cuda/11.8.0/local_installers/cuda_11.8.0_520.61.05_linux.run
sudo
cuda_11.8.0_520.61.05_linux.run
--silent
--toolkit

接着装cuDNN

8.6（必须对应CUDA

11.8）：

wget
https://developer.download.nvidia.com/compute/redist/cudnn/v8.6.0/local_installers/11.8/cudnn-linux-x86_64-8.6.0.163_cuda11.8-archive.tar.xz
tar
cudnn-linux-x86_64-8.6.0.163_cuda11.8-archive.tar.xz
sudo
cudnn-linux-x86_64-8.6.0.163_cuda11.8-archive/include/cudnn*.h
sudo
cudnn-linux-x86_64-8.6.0.163_cuda11.8-archive/lib/libcudnn*
/usr/local/cuda/lib
/usr/local/cuda/include/cudnn*.h
/usr/local/cuda/lib/libcudnn*

最后验证：

nvcc
--version
镜像选择与快速拉取
ModelScope提供了预编译的Docker镜像，比从源码编译快十倍。
我们用GPU版镜像：
#
拉取官方镜像（约4.2GB，耐心等）
sudo
registry.cn-hangzhou.aliyuncs.com/modelscope-repo/modelscope:ubuntu20.04-cuda11.3.0-py38-torch1.11.0-tf1.15.5-1.6.1
创建容器并映射端口（-p
/home/devuser/models:/workspace/models
/home/devuser/datasets:/workspace/datasets
--name
registry.cn-hangzhou.aliyuncs.com/modelscope-repo/modelscope:ubuntu20.04-cuda11.3.0-py38-torch1.11.0-tf1.15.5-1.6.1
注意--gpus
all这个参数，它是让容器访问GPU的核心开关。
如果漏掉，nvidia-smi在容器里就看不到显卡。
4.2
模型加载与首次推理测试
进入容器后，先激活Python环境：
conda
activate
pytorch
加载万物识别模型（damo/cv_resnest101_general_recognition）：
from
modelscope.pipelines
初始化管道（首次运行会自动下载模型，约1.2GB）
recognition
pipeline(Tasks.general_recognition,
model='damo/cv_resnest101_general_recognition')
测试一张本地图片（提前把图片放到/datasets/test.jpg）
result
recognition('datasets/test.jpg')
print(result['labels'][0])
输出最可能的物体类别
如果看到类似{'labels':
['苹果',
0.76]}的输出，说明模型跑通了。
第一次推理会慢（3-5秒），因为要加载权重到显存，后续就只要0.3秒左右。
4.3
共享文件夹的双向打通
虚拟机里处理图片，总不能每次都要用U盘拷贝。
VMware的共享文件夹功能能解决这个问题，但默认配置是单向的（宿主机→虚拟机），我们需要双向：
宿主机端：在VMware菜单栏选“虚拟机”→“设置”→“选项”→“共享文件夹”，点“总是启用”，添加一个共享路径，比如C:\vmshare。
虚拟机端：终端执行：
sudo
mkdir
uid=1000
这样/mnt/hgfs目录下就能看到宿主机的C:\vmshare了。
把图片放进去，虚拟机里直接读/mnt/hgfs/test.jpg就行。
为了永久生效，把上面那行命令加到/etc/fstab：
echo
".host:/
快照管理：告别重复配置
快照是虚拟机的灵魂功能。
我一般建三个快照：
base-clean：刚装完Ubuntu、驱动、CUDA，什么都没装的状态。
这是你的安全底线。
env-ready：装好Docker、拉完镜像、验证过GPU穿透的状态。
每次新项目都从这里克隆。
model-test：已经跑通万物识别模型，甚至写好测试脚本的状态。
临时改代码不怕丢。
创建快照很简单：虚拟机运行时，点VMware菜单“虚拟机”→“快照”→“拍摄快照”，起个名字就行。
恢复时右键快照→“转到该快照”，10秒内回到指定状态。
有个实用技巧：拍快照前先关掉所有终端和浏览器，这样快照体积小一半。
我一个env-ready快照才12GB，比全盘备份省太多空间。
5.2
Code的GUI版，卡顿得想砸键盘。
更好的方式是宿主机装VS
Code，远程连接虚拟机：
宿主机VS
Code安装插件“Remote
Code里按Ctrl+Shift+P，输入“Remote-SSH:
Connect
Host”，填入devuser@192.168.178.128（虚拟机IP，用ip
a查）
连上后，左下角点“>”，选“Remote-Containers:
Attach
Container”，选ram-env容器
这样你就在宿主机的VS
Code里，直接编辑容器内的代码，调试、运行、看日志一气呵成，体验和本地开发几乎一样。
5.3
性能监控与问题排查
跑模型时最怕显存爆了还不知道。
在虚拟机终端里常驻一个监控窗口：
watch
'nvidia-smi
--query-gpu=temperature.gpu,utilization.gpu,memory.used
--format=csv'
这个命令每秒刷新一次，显示显卡温度、GPU占用率、显存使用量。
如果显存一直飙到95%以上，说明模型太大，得换小一点的；如果温度超过85℃，检查虚拟机风扇设置是否开启。
遇到最常见的两个问题：
“CUDA
out
memory”：不是显存真不够，往往是PyTorch缓存没清。
在Python里加一句torch.cuda.empty_cache()，或者重启Python内核。
“Connection
refused”
8080：容器里Web服务没起来。
进容器执行ps
aux
python，看有没有uvicorn进程。
没有的话，手动启动：uvicorn
app:app
--reload
6.
实战案例：用万物识别做商品图自动分类
光跑通模型没用，得让它干活。
我拿电商场景举个真实例子：每天要处理2000张商品图，人工打标签太慢，用万物识别自动分到“手机配件”、“服装”、“食品”三个类目。
首先准备一个CSV文件products.csv，两列：image_path,category。
脚本这样写：
import
pandas
加载模型（只加载一次，避免重复初始化）
recognition
pipeline('general-recognition',
model='damo/cv_resnest101_general_recognition')
读取待处理图片列表
pd.read_csv('products.csv')
批量处理
recognition(row['image_path'])
top_label
results.append({'image':
'auto_tag':
results.append({'image':
'auto_tag':
pd.DataFrame(results).to_csv('auto_tags.csv',
index=False)
实测2000张图，RTX
4070显卡上跑了12分钟，准确率83%。
人工审核只需检查标错的那300多张，效率提升5倍不止。
关键是，这套流程可以封装成定时任务，每天凌晨自动跑，完全不用人盯。
7.
常见问题与解决方案
用这套环境几个月，遇到最多的问题其实就三个，都整理好了：
问题1：虚拟机里nvidia-smi能看到显卡，但torch.cuda.is_available()返回False
/>原因：PyTorch版本和CUDA不匹配。
解决方案：进容器执行pip
uninstall
torchaudio，然后按ModelScope文档重装对应版本：
pip3
install
torch==1.11.0+cu113
torchvision==0.12.0+cu113
--extra-index-url
https://download.pytorch.org/whl/cu113
问题2：共享文件夹里中文文件名显示乱码
Tools的bug。
临时解决：在虚拟机终端执行sudo
vmhgfs-fuse
allow_other,uid=1000,gid=1000
.host:/
/mnt/hgfs，加上gid=1000参数。
问题3：快照恢复后，Docker容器不见了
/>快照只保存虚拟机磁盘状态，Docker容器是运行时对象，不在快照范围内。
解决方案：把docker
run命令写成shell脚本，放在/home/devuser/start_env.sh，每次恢复快照后执行bash
start_env.sh一键重建容器。
这些坑我都替你踩过了，照着做基本不会卡住。
如果还有问题，优先检查nvidia-smi输出和docker
logs
ram-env日志，90%的故障信息都在里面。
/>
获取更多AI镜像
想探索更多AI镜像和应用场景？访问
CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。