1. 环境搭建前的硬件与系统考量

第一次尝试在Ubuntu系统上搭建机械臂视觉抓取仿真环境时，我用的是一台搭载GTX 1660Ti显卡的笔记本。这个配置虽然不算高端，但对于YOLOv5模型训练和Gazebo仿真来说已经足够。这里有个重要经验：显卡型号直接决定了CUDA和驱动版本的选择范围。比如GTX 1660Ti这类图灵架构显卡，官方推荐驱动版本在440-470之间，而CUDA 10.2到11.4都能兼容。

Ubuntu版本的选择也很有讲究。ROS Melodic（我最常使用的版本）官方支持Ubuntu 18.04，但这个系统内核版本较老，安装新版驱动时容易遇到内核模块编译失败的问题。有次我尝试在Ubuntu 20.04上安装CUDA 11.0，结果因为内核版本过高导致NVIDIA驱动频繁崩溃，最后不得不重装系统。建议新手直接使用Ubuntu 18.04 LTS，能避开很多兼容性问题。

关于Python环境，ROS Melodic默认依赖Python 2.7，但YOLOv5需要Python 3.7+。这个矛盾可以通过Anaconda创建独立虚拟环境解决。我通常会建立两个conda环境：一个专为ROS保留Python 2.7，另一个用Python 3.8运行YOLOv5。这种隔离方案既保证了ROS功能正常，又能使用最新PyTorch特性。

2. 显卡驱动与CUDA的版本陷阱

显卡驱动安装是第一个大坑。很多教程推荐用ubuntu-drivers autoinstall自动安装，但实测这个方法会安装最新驱动（比如470版），而最新驱动不一定适配你的CUDA版本。我曾经因此掉进"驱动-CUDA-PyTorch"版本不匹配的连环坑：470驱动配CUDA 11.4时，YOLOv5训练loss曲线变成一条直线，GPU利用率始终为0%。

经过多次重装验证，我发现GTX 1660Ti的最佳组合是：

• 驱动版本：440.100
• CUDA版本：10.2
• PyTorch版本：1.8.0

具体安装步骤：

# 先卸载已有驱动
sudo apt purge nvidia*
sudo apt autoremove

# 安装指定版本驱动
sudo apt install nvidia-driver-440

# 验证驱动安装
nvidia-smi  # 应显示Driver Version: 440.100

CUDA 10.2的安装更要注意细节。官网提供的deb包安装方式有时会漏装关键组件，推荐使用runfile方式：

wget https://developer.download.nvidia.com/compute/cuda/10.2/Prod/local_installers/cuda_10.2.89_440.33.01_linux.run
sudo sh cuda_10.2.89_440.33.01_linux.run

安装时务必取消勾选驱动安装（已单独安装），只选择CUDA Toolkit和samples。安装完成后，需要在~/.bashrc添加：

export PATH=/usr/local/cuda-10.2/bin:$PATH
export LD_LIBRARY_PATH=/usr/local/cuda-10.2/lib64:$LD_LIBRARY_PATH

3. Conda环境配置实战技巧

Anaconda的环境隔离是解决Python版本冲突的关键。我的常用配置流程如下：

1. 从清华镜像站下载Anaconda3-2021.05（这个版本与Python 3.8兼容性好）
2. 安装后立即配置国内源加速：

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --set show_channel_urls yes

创建YOLOv5专用环境时，我发现Python 3.8与PyTorch 1.8的组合最稳定：

conda create -n yolov5 python=3.8
conda activate yolov5

有个容易忽略的细节：conda环境下的ROS包管理。需要在虚拟环境中额外安装：

pip install rospkg catkin_pkg empy

否则运行ROS节点时会报"ImportError: No module named rospkg"错误。这个坑我踩过三次才长记性。

4. PyTorch与YOLOv5的精准匹配

PyTorch版本选择不当会导致模型无法训练或性能下降。经过多次测试，我总结出以下版本对应关系：

硬件配置	CUDA版本	PyTorch版本	YOLOv5分支
GTX 1660Ti	10.2	1.8.0	v6.1
RTX 3060	11.3	1.12.1	v7.0

安装PyTorch时要特别注意命令中的cudatoolkit参数必须与系统CUDA版本一致：

conda install pytorch==1.8.0 torchvision==0.9.0 torchaudio==0.8.0 cudatoolkit=10.2 -c pytorch

验证安装是否成功时，不能只看torch.cuda.is_available()返回True，还要实际测试张量计算：

import torch
print(torch.rand(3,3).cuda())  # 应显示GPU上的随机矩阵

YOLOv5的版本选择同样关键。v6.1版本对PyTorch 1.8的支持最好，而最新版可能需要PyTorch 1.12+。克隆代码时一定要指定分支：

git clone -b v6.1 https://github.com/ultralytics/yolov5.git

安装依赖时建议使用清华源加速：

pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

5. ROS与Gazebo的集成要点

当YOLOv5需要与ROS通信时，常见的坑是Python环境冲突。我的解决方案是：

1. 在conda环境中编译ROS包：

conda activate yolov5
catkin_make -DPYTHON_EXECUTABLE=/home/username/anaconda3/envs/yolov5/bin/python

2. 在~/.bashrc中添加环境变量覆盖：

source /opt/ros/melodic/setup.bash
source ~/catkin_ws/devel/setup.bash
export PYTHONPATH=/home/username/anaconda3/envs/yolov5/lib/python3.8/site-packages:$PYTHONPATH

Gazebo仿真时容易出现画面过暗的问题，这是默认光照参数导致的。修改方法：

<!-- 在.world文件中添加 -->
<include>
  <uri>model://sun</uri>
  <pose>0 0 10 0 0 0</pose>
</include>

对于机械臂控制，建议先单独测试MoveIt!的路径规划功能，再集成视觉检测。我曾遇到YOLOv5检测延迟导致机械臂运动抖动的问题，最终通过多线程处理图像话题解决了这个问题。

6. 环境验证与性能调优

完成所有安装后，建议按以下顺序验证环境：

1. GPU基础测试：

nvidia-smi  # 查看驱动和GPU状态
nvcc -V     # 验证CUDA编译器

2. PyTorch基准测试：

import torch
model = torch.hub.load('ultralytics/yolov5', 'yolov5s').cuda()
img = torch.randn(1,3,640,640).cuda()
with torch.no_grad():
    print(model(img))  # 应输出检测结果

3. ROS通信测试：

rostopic pub /camera/image_raw sensor_msgs/Image --latch < test_image.msg
rosrun yolov5_ros detect.py

如果遇到性能瓶颈，可以尝试以下优化：

• 在Gazebo中降低物理引擎迭代次数
• 使用TensorRT加速YOLOv5推理
• 将图像消息传输改为compressed格式

我在GTX 1660Ti上实测的帧率对比：

配置	分辨率	FPS
原始YOLOv5s	640x640	45
TensorRT加速后	640x640	120
开启Gazebo仿真时	640x640	28

最后提醒一个容易忽视的问题：长期训练时要注意显卡温度。我的笔记本在持续训练12小时后出现过热降频，后来通过外接散热底座将温度控制在75℃以下。