保姆级教程：在Ubuntu 20.04上用CUDA 11.3和PyTorch 1.10.2搞定MinkowskiEngine安装（附镜像加速）

原创于 2026-06-29 16:51:55 发布 · 235 阅读

1 ·

本内容遵循CC 4.0 BY-SA版权协议

GEO检测

标签

#MinkowskiEngine #Ubuntu #CUDA #PyTorch

在Ubuntu 20.04上精准部署MinkowskiEngine：CUDA 11.3与PyTorch 1.10.2全流程指南

对于从事3D点云处理、稀疏卷积网络研究的开发者而言，MinkowskiEngine无疑是提升效率的利器。但在实际部署过程中，版本依赖问题往往让安装过程变成一场"依赖地狱"之旅。本文将针对Ubuntu 20.04系统，提供一套经过验证的安装方案，从系统准备到最终编译，手把手带你避开那些令人抓狂的版本冲突陷阱。

1. 系统环境准备与CUDA工具链安装

在开始之前，请确保你的Ubuntu 20.04系统已经完成基础更新：

sudo apt update && sudo apt upgrade -y

1.1 显卡驱动与CUDA 11.3安装

MinkowskiEngine作为基于CUDA加速的库，对显卡驱动有严格要求。以下是经过测试的驱动版本组合：

组件	推荐版本	验证设备
NVIDIA驱动	470.161.03	RTX 3090
CUDA Toolkit	11.3.1	Tesla V100
cuDNN	8.2.0	RTX 2080 Ti

安装CUDA 11.3的官方命令如下：

wget https://developer.download.nvidia.com/compute/cuda/11.3.1/local_installers/cuda_11.3.1_465.19.01_linux.run
sudo sh cuda_11.3.1_465.19.01_linux.run

注意：安装时务必取消勾选驱动安装选项（如果已安装较新驱动），仅选择CUDA Toolkit。

1.2 环境变量配置

安装完成后，需要将CUDA加入系统路径。编辑 ~/.bashrc 文件，添加以下内容：

export PATH=/usr/local/cuda-11.3/bin${PATH:+:${PATH}}
export LD_LIBRARY_PATH=/usr/local/cuda-11.3/lib64${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}

执行 source ~/.bashrc 使配置生效后，可通过 nvcc --version 验证安装。

2. Conda环境与精确版本PyTorch部署

2.1 创建专用Python环境

为避免与系统Python环境冲突，建议使用Miniconda创建独立环境：

conda create -n me_env python=3.8 -y
conda activate me_env

2.2 PyTorch 1.10.2精准安装

PyTorch版本必须严格匹配CUDA 11.3，以下是经过验证的安装命令：

conda install pytorch==1.10.2 torchvision==0.11.3 torchaudio==0.10.2 cudatoolkit=11.3 -c pytorch

关键点在于使用 == 指定精确版本号，并通过 -c pytorch 确保从官方渠道获取预编译版本。安装后可通过以下代码验证：

import torch
print(torch.__version__)  # 应输出1.10.2
print(torch.cuda.is_available())  # 应返回True

3. MinkowskiEngine编译安装与疑难解决

3.1 前置依赖安装

编译前需要确保系统已安装以下工具链：

gcc/g++ 7.5（Ubuntu 20.04默认版本）
CMake ≥ 3.18
Ninja构建工具

安装命令：

sudo apt install build-essential cmake ninja-build -y

3.2 源码编译最佳实践

推荐从GitHub克隆最新稳定版源码：

git clone https://github.com/NVIDIA/MinkowskiEngine.git
cd MinkowskiEngine

编译时需特别注意GPU架构参数。以下是常见显卡对应的编译参数：

GPU型号	架构版本	编译参数
RTX 3090	Ampere	-DGPU_ARCH="8.0"
RTX 2080 Ti	Turing	-DGPU_ARCH="7.5"
Tesla V100	Volta	-DGPU_ARCH="7.0"

以RTX 3090为例的完整编译命令：

python setup.py install \
    --blas_include_dirs=${CONDA_PREFIX}/include \
    --blas_library_dirs=${CONDA_PREFIX}/lib \
    --force_cuda \
    --cuda_flags="-DGPU_ARCH=8.0"

3.3 常见报错解决方案

错误1：nvcc返回非零状态

command '/usr/local/cuda/bin/nvcc' failed with exit code 1

解决方案：

确认CUDA路径正确： which nvcc 应指向 /usr/local/cuda-11.3/bin/nvcc
检查conda环境中cudatoolkit版本： conda list cudatoolkit 应显示11.3

错误2：Ninja构建失败

subprocess.CalledProcessError: Command '[‘ninja’, ‘-v’, ‘-j’, ‘12’]’ returned non-zero exit status 1

尝试降低并行编译线程数：

export MAX_JOBS=4
python setup.py install --force_cuda

4. 镜像加速与验证测试

4.1 国内镜像源配置

为加速依赖下载，建议配置清华源：

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/

4.2 功能验证

创建测试脚本 test_me.py ：

import MinkowskiEngine as ME
import torch

coordinates = torch.rand(10, 3)
features = torch.rand(10, 4)
tensor = ME.SparseTensor(
    features=features,
    coordinates=coordinates,
    device=torch.device("cuda")
)
print(tensor)

成功运行且无报错即表示安装完成。在实际项目中，建议进一步测试稀疏卷积等核心功能。