LLaMA-Factory环境配置与WebUI启动全攻略：从CUDA适配到依赖踩坑

优质文章学习记录

— 7 min read

最近在本地部署LLaMA-Factory时，踩了一连串环境配置的坑——从GitHub克隆失败、CUDA不可用到虚拟环境依赖缺失，最终成功启动WebUI。这篇文章就把完整的排错过程和解决方案整理出来，希望能帮到遇到类似问题的同学。

一、问题背景：本地部署LLaMA-Factory的核心诉求

目标是在Windows 10环境下，基于Anaconda创建虚拟环境，部署LLaMA-Factory并启动WebUI，利用本地NVIDIA MX230显卡（2GB显存）实现GPU加速。但从克隆仓库开始，就遇到了一系列报错，主要涉及三类问题：

  • 仓库克隆失败（GitHub连接重置、Gitee 403权限拒绝）；
  • PyTorch CUDA支持缺失（报“Torch not compiled with CUDA enabled”）；
  • 虚拟环境依赖缺失（直接运行WebUI报“ModuleNotFoundError: No module named 'torch'”）。

二、核心报错解析与分步解决方案

坑1：仓库克隆失败——网络限制与镜像选择

报错现象

从GitHub克隆时提示连接重置，从某Gitee镜像克隆时提示403权限拒绝：

(base) PS E:\pc-project> git clone --depth 1 https://github.com/hiyouga/LLaMA-Factory.git Cloning into 'LLaMA-Factory'... fatal: unable to access 'https://github.com/hiyouga/LLaMA-Factory.git/': Recv failure: Connection was reset (base) PS E:\pc-project> git clone https://gitee.com/qzl9999/LLaMA-Factory.git Cloning into 'LLaMA-Factory'... remote: [session-6b44feb3] Access denied fatal: unable to access 'https://gitee.com/qzl9999/LLaMA-Factory.git/': The requested URL returned error: 403
原因分析

GitHub克隆失败是国内网络访问限制导致；Gitee 403是因为选择的镜像仓库权限设置问题（非公开可克隆）。

解决方案

优先选择GitHub国内镜像站，配合Git网络配置优化；备选方案使用官方维护的Gitee镜像：

# 1. 配置Git超时与网络参数（避免连接超时） git config --global http.lowSpeedLimit 0 git config --global http.lowSpeedTime 999999 git config --global http.timeout 300 # 2. 使用GitHub镜像站克隆（推荐） git clone --depth 1 https://github.91chi.fun/https://github.com/hiyouga/LLaMA-Factory.git # 3. 备选：使用Gitee官方维护镜像 rm -rf LLaMA-Factory # 删除之前失败的文件夹 git clone https://gitee.com/mirrors_LLaMA-Factory/LLaMA-Factory.git

如果Git命令仍失败，可直接手动下载源码压缩包：访问https://github.com/hiyouga/LLaMA-Factory/archive/refs/heads/main.zip，解压后重命名为“LLaMA-Factory”即可。

坑2：CUDA不可用——PyTorch版本错配

报错现象

进入Python交互环境，调用torch.cuda相关函数时报错：

>>> import torch >>> torch.cuda.current_device() Traceback (most recent call last): File "<stdin>", line 1, in <module> File "...\torch\cuda\__init__.py", line 403, in _lazy_init raise AssertionError("Torch not compiled with CUDA enabled") AssertionError: Torch not compiled with CUDA enabled

查看PyTorch编译配置，发现USE_CUDA=0（纯CPU版本）：

PyTorch编译配置： PyTorch built with: ... - Build settings: ... USE_CUDA=0, ...
原因分析

默认安装的是纯CPU版本的PyTorch，而本地有NVIDIA MX230显卡（支持CUDA 12.5），需要安装带CUDA支持的PyTorch版本。

解决方案

步骤1：先确认本地显卡与CUDA支持情况

# 在PowerShell中执行，查看显卡信息 nvidia-smi

输出显示显卡为NVIDIA GeForce MX230，驱动版本556.12，支持CUDA 12.5，确认硬件支持GPU加速。

步骤2：卸载纯CPU版本PyTorch，安装适配CUDA 12.5的版本

# 1. 激活llama_factory虚拟环境 conda activate llama_factory # 2. 卸载CPU版PyTorch pip uninstall torch -y pip cache purge # 清理缓存，避免安装冲突 # 3. 安装适配CUDA 12.5的PyTorch（cu124版本兼容CUDA 12.5） pip install torch==2.4.0 torchvision==0.19.0 torchaudio==2.4.0 --index-url https://download.pytorch.org/whl/cu124

步骤3：验证CUDA是否可用

>>> import torch >>> print("CUDA是否可用：", torch.cuda.is_available()) # 输出True即成功 >>> print("GPU名称：", torch.cuda.get_device_name(0)) # 输出NVIDIA GeForce MX230 >>> print("PyTorch版本：", torch.__version__) # 输出2.4.0+cu124

坑3：依赖缺失——虚拟环境未激活

报错现象

直接用base环境的Python运行webui.py，提示缺少torch模块：

(base) PS E:\pc-project\LLaMA-Factory> & D:/python/miniconda3/python.exe e:/pc-project/LLaMA-Factory/src/webui.py Traceback (most recent call last): File "e:\pc-project\LLaMA-Factory\src\webui.py", line 7, in <module> from llamafactory.extras.misc import fix_proxy, is_env_enabled File "e:\pc-project\LLaMA-Factory\src\llamafactory\extras\misc.py", line 23, in <module> import torch ModuleNotFoundError: No module named 'torch'
原因分析

Anaconda的base环境与llama_factory虚拟环境相互隔离，torch等依赖只安装在llama_factory环境中，base环境中没有这些依赖，导致报错。

解决方案

核心是“先激活虚拟环境，再运行脚本”，提供两种可行方式：

方式1：激活环境后运行（推荐）

# 1. 激活llama_factory虚拟环境 conda activate llama_factory # 2. 切换到LLaMA-Factory根目录 cd E:\pc-project\LLaMA-Factory # 3. 运行webui.py（适配2GB显存，添加优化参数） python src/webui.py --device cuda:0 --load_in_4bit --use_gradient_checkpointing

方式2：直接调用虚拟环境的Python（无需手动激活）

# 直接指定llama_factory环境的Python路径 & D:/python/miniconda3/envs/llama_factory/python.exe e:/pc-project/LLaMA-Factory/src/webui.py --device cuda:0 --load_in_4bit --use_gradient_checkpointing

参数说明：

  • --device cuda:0：指定使用第0号GPU（本地MX230）；
  • --load_in_4bit：4比特量化加载模型，大幅降低显存占用；
  • --use_gradient_checkpointing：梯度检查点，进一步节省显存。

坑4：WebUI启动无响应——低显存适配

问题现象

执行启动命令后，终端无响应或长时间无输出。

原因分析

MX230显卡仅2GB显存，默认启动方式显存占用过高，导致静默崩溃；或首次启动需加载依赖，过程较慢。

解决方案

添加日志输出参数查看进度，同时进一步优化显存占用：

python src/webui.py --device cuda:0 --load_in_4bit --use_gradient_checkpointing --offload_folder ./offload --verbose

参数说明：

  • --offload_folder ./offload：将部分模型数据卸载到硬盘，牺牲少量速度换显存；
  • --verbose：打印启动日志，清晰看到加载进度（如“Loading tokenizer...”“Initializing model...”）。

启动成功后，终端会显示访问地址（如http://127.0.0.1:7860），打开浏览器即可进入WebUI。

三、避坑总结与关键提醒

  1. 环境隔离是核心：Anaconda虚拟环境必须激活后使用，所有依赖安装和脚本运行都要在目标环境中进行，避免混用base环境；
  2. CUDA版本要匹配：安装PyTorch前先通过nvidia-smi确认显卡支持的CUDA版本，选择兼容的PyTorch-CUDA版本（如CUDA 12.5适配cu124版本）；
  3. 低显存显卡需优化：2GB显存仅能运行小模型（如LLaMA-3-8B 4bit、Qwen-1.8B），必须添加--load_in_4bit等量化参数，否则会显存不足；
  4. 日志是排错关键：遇到无响应或报错时，添加--verbose参数查看详细日志，快速定位问题所在。

四、最终成功启动流程（一键复制）

# 1. 激活虚拟环境 conda activate llama_factory # 2. 切换到项目根目录 cd E:\pc-project\LLaMA-Factory # 3. 优化参数启动WebUI python src/webui.py --device cuda:0 --load_in_4bit --use_gradient_checkpointing --offload_folder ./offload --verbose

按照以上步骤，就能顺利解决LLaMA-Factory部署过程中的克隆、CUDA适配、依赖缺失等问题，成功启动WebUI。如果遇到其他报错，建议优先查看终端日志，重点关注“网络连接”“显存占用”“依赖版本”这三个核心点，大部分问题都能迎刃而解。

Read more

【大作业-46】基于YOLO12的无人机（航拍）视角的目标检测系统

【大作业-46】基于YOLO12的无人机（航拍）视角的目标检测系统

基于YOLO12的无人机（航拍）视角的目标检测系统 🥳🥳🥳🥳🥳🥳🥳🥳🥳🥳🥳🥳🥳🥳🥳🥳🥳🥳 【大作业-46】基于yolo12的航拍(无人机)视角目标检测与追踪系统 🥳🥳🥳🥳🥳🥳🥳🥳🥳🥳🥳🥳🥳🥳🥳🥳🥳🥳 各位小伙伴大家好，今天我们为大家带来的是基于无人机视角下的目标检测，主要是对常规的行人、车辆这些目标进行检测，并且接着这个机会我们对yolo12的新模块进行一下说明，和之前的内容一样，我们的教程中包含了标注好的数据集、训练好的yolov5、yolov8、yolo11以及yolo12的模型，还有一个配套的图形化界面。本次的数据集包含的类别如下： 0: pedestrian 行人 1: people 人 2: bicycle 自行车 3: car 汽车 4: van 货车 5: truck 卡车 6: tricycle 三轮车 7: awning-tricycle 遮阳篷三轮车 8: bus 公交车 9: motor 摩托车 以下是部分数据示例。

硬件-电源-VR多相电源深入解析

1. 引言 一块高性能服务器主板的CPU插槽周围，总是簇拥着一排排整齐的、覆盖着金属散热片的“小方块”。它们就属于VR多相电源的一部分，VR多相电源如同CPU的“专用心脏”，负责将来自电源的“粗犷”能量，转化为CPU所能接受的“精细”养分。本文主要介绍Buck多相电源。 2. VRM是什么？为什么需要“多相”？ 2.1 VRM的核心使命：精准的“能量转换师” VRM，全称 Voltage Regulator Module（电压调节模块），其核心任务只有一个：将来自一次电源的电压（如+12V），高效、精准地转换为CPU、GPU等核心芯片所需的低电压（如0.8V~1.3V）和大电流（可达数百A）。 如果让数百安培的电流直接以1V电压从机箱电源传输到CPU，线路损耗将是灾难性的。因此，必须在CPU边上就近进行高效电压转换，这就是VRM存在的根本原因。 2.

DAMO-YOLO开发者案例：为教育机器人集成实时物体识别模块

DAMO-YOLO开发者案例：为教育机器人集成实时物体识别模块 基于阿里达摩院 TinyNAS 架构的高性能实时目标检测系统。结合自研赛博朋克美学界面，实现工业级识别能力与未来主义视觉体验的完美融合。 1. 项目背景与需求 教育机器人正在成为智慧教育的重要工具，但很多机器人缺乏真正的"视觉智能"。传统的物体识别方案要么速度太慢，要么准确率不够，无法满足实时交互的需求。 我们最近为一个教育机器人项目集成了DAMO-YOLO视觉系统，让机器人能够实时识别教室环境中的各种物体：从书本、文具到电子设备，甚至能识别学生的手势动作。这个案例展示了如何将先进的视觉AI技术落地到实际教育场景中。 2. DAMO-YOLO技术优势 2.1 高性能实时检测 DAMO-YOLO基于阿里达摩院的TinyNAS架构，这个设计让它在保持高精度的同时实现了极快的推理速度。在教育机器人场景中，这意味着： * 实时响应：处理一帧图像只需10毫秒左右，机器人可以流畅地与环境互动 * 高准确率：支持80种常见物体的识别，覆盖教室中的绝大多数物品 * 资源高效：即使在嵌入式设备上也能稳定运行，适合教
目标检测数据集——无人机视觉VisDrone数据集

目标检测数据集——无人机视觉VisDrone数据集

随着无人机技术的飞速发展，无人机在航拍、监控、农业、物流等领域的应用日益广泛。与此同时，无人机视角下的视觉任务，如目标检测、目标跟踪和场景理解，也成为了计算机视觉研究的热点。然而，相比传统的地面视角数据集，无人机视角下的图像具有高度变化、小目标密集、复杂背景等独特挑战，这对现有算法提出了更高的要求。 为了应对这些挑战并推动无人机视觉技术的发展，天津大学机器学习与数据挖掘实验室推出了 VisDrone数据集。作为一个大规模、标注精细的无人机视觉数据集，VisDrone 不仅涵盖了丰富的场景和多样化的目标类别，还为研究人员提供了一个极具挑战性的测试平台。无论是小目标检测的精度提升，还是密集场景下的鲁棒性优化，VisDrone 都成为了学术界和工业界不可或缺的资源。该数据集采集自中国14个不同城市，覆盖复杂城市场景、交通枢纽、密集人群等多种环境。 VisDrone官方Github下载渠道可点击访问： https://github.com/VisDrone/VisDrone-Dataset?tab=readme-ov-file 下载的数据集为VisDrone2019-DET-train