Ubuntu 26.04 Üzerine NVIDIA CUDA Toolkit Kurulumu

Giriş

Ubuntu 26.04 çalıştıran bir sistemde NVIDIA GPU'larınızı kullanarak makine öğrenmesi modellerini eğitmek, GPU kodlarını derlemek veya yerel AI araçlarını çalıştırmak istiyorsanız, yalnızca NVIDIA sürücüleri yeterli olmayabilir. Geliştirme araçlarının ve birçok derleme iş akışının ihtiyaç duyduğu NVIDIA CUDA Toolkit, aşağıdakiler gibi önemli bileşenleri içerir:

• nvcc derleyicisi
• CUDA kütüphaneleri
• Profilleme araçları
• PyTorch, TensorFlow, llama.cpp, ComfyUI gibi GPU destekli yazılımlar tarafından kullanılan başlık dosyaları

Bu rehberde, CUDA Toolkit'in Ubuntu 26.04'e iki farklı yöntemle nasıl kurulacağını adım adım açıklıyoruz:

1. Ubuntu arşiv paketi: Basit kullanım için en kolay yol
2. NVIDIA geliştirici deposu: En yeni CUDA sürümünü ve uyumlu sürücüleri sağlar

Ön Gereksinimler

CUDA Toolkit kurmadan önce aşağıdaki koşulların sağlandığından emin olun:

• Ubuntu 26.04 çalıştıran bir sunucu veya iş istasyonu (sudo yetkisine sahip bir kullanıcıyla)
• Desteklenen bir NVIDIA GPU:
  • CUDA 13.3 için Turing, Ampere, Ada, Hopper, Blackwell veya daha yeni GPU'lar önerilir
  • Eski Maxwell, Pascal ve Volta kartları için daha eski CUDA sürümleri gerekebilir
• Yeterli disk alanı: Tam kurulum yaklaşık 6-8 GB yer kaplar
• Secure Boot'un devre dışı bırakılması:
  • NVIDIA sürücüsü imzalanmamış çekirdek modülü nedeniyle Secure Boot aktifken yüklenemez
  • Secure Boot'u devre dışı bırakın veya Makine Sahibi Anahtarını kaydedin

GPU'nun Tanınıp Tanınmadığını Kontrol Edin

Sisteminizdeki NVIDIA GPU'nun tanınıp tanınmadığını aşağıdaki komutla kontrol edin:

lspci | grep -i nvidia

Çıktı en az bir NVIDIA VGA veya 3D denetleyicisi göstermelidir. Hiçbir şey görünmüyorsa, GPU doğru şekilde takılmamış, BIOS'ta slot devre dışı bırakılmış veya kart desteklenmiyor olabilir.

Kurulum Yöntemlerinin Karşılaştırılması

1. Ubuntu Arşiv Paketi

Avantajları:

• Kurulumu en basit yöntem
• Ubuntu'nun güncelleme akışıyla entegre
• Aynı NVIDIA sürücüsünü kullanır

Dezavantajları:

• En yeni CUDA özelliklerini içermeyebilir
• Sürüm Ubuntu arşivine göre gecikmeli olabilir

2. NVIDIA Geliştirici Deposu

Avantajları:

• En yeni CUDA sürümünü ve özelliklerini sağlar
• Özel CUDA sürümüne ihtiyaç duyan PyTorch, TensorFlow gibi çerçeveler için idealdir
• Eşleşen sürücüleri de kurabilir

Dezavantajları:

• Kurulum biraz daha karmaşık
• İki yöntem birbirini dışlar; aynı anda kullanılamaz

Önemli: İki yöntemi karıştırmayın. Farklı kaynaklardan paket yüklemek çatışmalara ve nvcc bulunamamasına yol açabilir. Yöntemi değiştiriyorsanız önce eski paketleri kaldırın.

Yöntem 1: CUDA'yı Ubuntu Arşivinden Kurun

Adım 1: Paket İndeksini Güncelleyin

sudo apt update

Adım 2: CUDA Toolkit'i Kurun

sudo apt install nvidia-cuda-toolkit

nvidia-cuda-toolkit paketi derleyiciyi, kütüphaneleri ve başlık dosyalarını Ubuntu arşivinden yükler.

Adım 3: Önerilen Sürücüyü Kurun

GPU'nuz için mevcut NVIDIA sürücülerini görün:

ubuntu-drivers devices

recommended olarak işaretlenmiş sürücüye dikkat edin ve otomatik olarak kurun:

sudo ubuntu-drivers install

Adım 4: Sistemi Yeniden Başlatın

Kurulum tamamlandıktan sonra sisteminizi yeniden başlatın. Bu, NVIDIA sürücüsünün nouveau açık kaynak sürücüsünün yerini almasını sağlar:

sudo reboot

Yöntem 2: CUDA'yı NVIDIA Geliştirici Deposundan Kurun

NVIDIA deposu, en yeni CUDA sürümünü kurmak için idealdir. Kurulum iki adımdan oluşur: önce depo anahtar halkasını kurun, ardından toolkit ve sürücüleri yükleyin.

Adım 1: CUDA Anahtar Halkasını Kurun

NVIDIA, Ubuntu 26.04 x86_64 için .deb formatında bir anahtar halkası paketi sağlar. Bu paket, depo tanımını ve imzalama anahtarını apt'e ekler:

wget https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2604/x86_64/cuda-keyring_1.1-1_all.deb
sudo dpkg -i cuda-keyring_1.1-1_all.deb

Bu komut, /etc/apt/sources.list.d/cuda-ubuntu2604-x86_64.list dosyasını oluşturur ve GPG anahtarını apt doğrulaması için kurar.

Adım 2: Paket İndeksini Güncelleyin

sudo apt update

Adım 3: CUDA Toolkit'i Kurun

NVIDIA deposunda yayınlanan en yeni CUDA Toolkit sürümünü kurun (yayın sırasında CUDA 13.3):

sudo apt install cuda-toolkit

Not: Eğer belirli bir CUDA sürümüne ihtiyacınız varsa, örneğin CUDA 13.3, aşağıdaki komutu kullanın:

sudo apt install cuda-toolkit-13-3

Bu, otomatik olarak yeni bir CUDA sürümüne geçişi önler.

Adım 4: Eşleşen Sürücüyü Kurun

cuda-drivers meta-paketi, yüklenen toolkit ile eşleşen sürücüyü otomatik olarak kurar:

sudo apt install cuda-drivers

Adım 5: Sistemi Yeniden Başlatın

Yeni sürücünün yüklenmesi için sistemi yeniden başlatın:

sudo reboot

Ortam Değişkenlerini Yapılandırın

NVIDIA deposu CUDA'yı /usr/local/cuda dizinine kurar. nvcc komutunun yeni bir terminalde çalışabilmesi için PATH ortam değişkenine ekleyin. ~/.bashrc dosyanızın sonuna aşağıdaki satırı ekleyin:

export PATH=/usr/local/cuda/bin${PATH:+:${PATH}}

Değişikliklerin geçerli olması için kabuğu yeniden yükleyin:

source ~/.bashrc

Not: Ubuntu arşiv paketi (nvidia-cuda-toolkit) ikili dosyaları /usr/bin ve kütüphaneleri standart sistem yollarına yerleştirdiği için bu adım Yöntem 1 için gerekli değildir.

Kurulumu Doğrulayın

Adım 1: Sürücüyü ve GPU'yu Kontrol Edin

nvidia-smi

Bu komut GPU modelini, sürücü versiyonunu ve sürücünün desteklediği CUDA versiyonunu göstermelidir. Sürücünün bildirdiği CUDA versiyonu, sürücünün yükleyebileceği maksimum çalışma zamanı versiyonudur; yüklenen toolkit aynı veya daha eski olabilir.

Adım 2: Toolkit Derleyicisini Kontrol Edin

nvcc --version

release satırı, sistemde yüklü olan toolkit versiyonunu gösterir. CUDA destekli uygulamalar için derleme zamanında önemli olan versiyon budur.

CUDA Örneğini Çalıştırın

GPU'nun CUDA iş yüklerini çalıştırabildiğini doğrulamanın en hızlı yolu deviceQuery örneğidir. Örnekler artık CMake ile derlenmektedir, bu nedenle aşağıdaki adımları izleyin:

sudo apt install git build-essential cmake

# CUDA örneklerini klonlayın
git clone --depth 1 https://github.com/NVIDIA/cuda-samples.git

# Örnek dizinine gidin
cd cuda-samples

# Projeyi CMake ile yapılandırın
cmake -B build

# deviceQuery hedefini derleyin
cmake --build build --target deviceQuery -j$(nproc)

# Örneği çalıştırın
./build/Samples/1_Utilities/deviceQuery/deviceQuery

PASS sonucu, toolkit, sürücü ve GPU'nun birlikte çalıştığını doğrular. PyTorch ve TensorFlow gibi çerçeveler de aynı çalışma zamanını kullanır, bu nedenle deviceQuery başarısı makine öğrenmesi iş yüklerinin çalışacağının güçlü bir göstergesidir.

Sık Karşılaşılan Sorunlar ve Çözümleri

nvidia-smi "No devices were found" hatası

Sürücü yüklenmemiştir. lsmod | grep nvidia komutunu çalıştırın. Hiçbir şey listelenmiyorsa, Secure Boot durumunu mokutil --sb-state ile kontrol edin. BIOS'tan Secure Boot'u devre dışı bırakın veya NVIDIA çekirdek modülü için Makine Sahibi Anahtarını kaydedin, ardından yeniden başlatın.

nouveau sürücüsü hala yüklü

Açık kaynak nouveau sürücüsü NVIDIA sürücüsüyle çakışır. lsmod | grep nouveau ile doğrulayın. /etc/modprobe.d/blacklist-nouveau.conf dosyasını aşağıdaki satırlarla oluşturun:

blacklist nouveau
options nouveau modeset=0

Ardından sudo update-initramfs -u komutunu çalıştırın ve yeniden başlatın.

NVIDIA deposundan kurulumdan sonra nvcc bulunamıyor

PATH ortam değişkeni /usr/local/cuda/bin'i içermiyor. Ortam değişkenleri bölümündeki export satırını ~/.bashrc'ye ekleyin ve source ~/.bashrc komutunu çalıştırın. ls /usr/local/cuda/bin/nvcc komutu ile ikili dosyanın diskte olduğunu doğrulayın.

Çekirdek yükseltmesinden sonra sürücü derlenemiyor

DKMS modülü eşleşen çekirdek başlıklarını gerektirir. sudo apt install linux-headers-$(uname -r) komutu ile başlıkları kurun, ardından sürücü paketini yeniden kurun. NVIDIA deposu yöntemi için sudo apt install --reinstall cuda-drivers komutunu çalıştırın. Derleme tamamlandıktan sonra yeniden başlatın.

PyTorch veya TensorFlow'dan CUDA versiyon uyumsuzluğu hataları

Çerçeveler belirli bir CUDA versiyonuna karşı derlenmiş ikili dosyalar sağlar. nvidia-smi tarafından bildirilen CUDA versiyonu, sürücünün desteklediği maksimum çalışma zamanı versiyonudur. CUDA versiyonu bu değerden küçük veya eşit olan çerçeve yapısını seçin.

Kurulum sırasında disk alanı yetersiz

Tam toolkit büyük bir yer kaplar. sudo apt clean komutu ile /var/cache/apt dizinini temizleyin veya cuda-toolkit yerine daha küçük meta-paketler kullanın, örneğin cuda-compiler-13-3 ve cuda-libraries-dev-13-3.

Sonuç

Çalışan bir CUDA kurulumu, Ubuntu 26.04'e PyTorch, TensorFlow, llama.cpp ve benzeri araçlar için gerekli GPU hesaplama yığını sağlar. Yazılımınızı belirli bir CUDA versiyonuna karşı derlerken toolkit versiyonunu sabitleyin ve her çekirdek yükseltmesinden sonra sürücünün hala yüklendiğinden emin olmak için nvidia-smi komutunu tekrar çalıştırın.

Artık GPU'nuzda CUDA tabanlı uygulamalarınızı güvenle çalıştırabilirsiniz!