Comment installer la boîte à outils NVIDIA CUDA sur Ubuntu 26.04

Lorsque vous souhaitez entraîner des modèles, compiler du code GPU ou exécuter des outils d’IA locaux sur Ubuntu, le pilote NVIDIA seul ne suffit pas toujours. Les outils de développement et de nombreux workflows de build nécessitent également le NVIDIA CUDA Toolkit, qui fournit les nvcc compilateur, bibliothèques CUDA, outils de profilage et en-têtes utilisés par PyTorch, TensorFlow, llama.cpp, ComfyUI et d’autres logiciels compatibles GPU.

Ce guide explique comment installer CUDA Toolkit sur Ubuntu 26.04 en utilisant deux méthodes : le package d’archive Ubuntu, qui est le chemin le plus simple pour une utilisation occasionnelle, et le référentiel de développeur NVIDIA, qui fournit la dernière version de CUDA et les pilotes correspondants.

Référence rapide #

Conditions préalables #

Avant d’installer CUDA, assurez-vous d’avoir :

• Un serveur ou un poste de travail exécutant Ubuntu 26.04 avec un utilisateur disposant des privilèges sudo .
• Un GPU NVIDIA pris en charge. Pour CUDA 13.3, utilisez un GPU Turing, Ampere, Ada, Hopper, Blackwell ou plus récent lorsque vous avez besoin d’une prise en charge complète de la bibliothèque. Les anciennes cartes Maxwell, Pascal et Volta peuvent nécessiter une ancienne version de CUDA.
• Plusieurs gigaoctets d’espace disque libre. Une installation complète de Toolkit utilise environ 6 à 8 Go.
• Démarrage sécurisé désactivé ou projet d’enregistrement d’une clé de propriétaire de machine. Le pilote propriétaire NVIDIA ne se charge pas lorsque Secure Boot est activé et que le module du noyau n’est pas signé.

Confirmez que le système voit un GPU NVIDIA avant d’aller plus loin :

lspci | grep -i nvidia

01:00.0 VGA compatible controller: NVIDIA Corporation GA106 (GeForce RTX 3060 Lite Hash Rate) (rev a1)
01:00.1 Audio device: NVIDIA Corporation GA106 High Definition Audio Controller (rev a1)

La sortie doit répertorier au moins un contrôleur VGA ou 3D de NVIDIA. Si rien n’apparaît, le GPU n’est pas correctement installé, l’emplacement est désactivé dans le BIOS ou la carte n’est pas prise en charge par l’hôte.

Choisir une méthode d’installation #

Ubuntu propose deux méthodes d’installation pratiques.

Le Archives Ubuntu navires nvidia-cuda-toolkit comme un habitué apt emballer. La version est en retard en amont, mais le package s’intègre au flux de mise à jour d’Ubuntu et utilise le même pilote NVIDIA fourni par Ubuntu.

Le Dépôt NVIDIA fournit la dernière version de CUDA, y compris des fonctionnalités et des versions de bibliothèque que l’archive Ubuntu ne possède pas encore. Il peut également installer le pilote correspondant via le cuda-drivers méta-paquet. Utilisez cette méthode lorsque vous avez besoin de la dernière version de CUDA pour PyTorch, TensorFlow ou d’autres frameworks épinglés sur une version spécifique de CUDA.

Les deux méthodes s’excluent mutuellement. Le mélange de packages provenant des deux sources peut produire des chemins de bibliothèque conflictuels et des erreurs. nvcc recherches. Si vous changez de méthode ultérieurement, supprimez d’abord les anciens packages de la boîte à outils.

Méthode 1 : installer CUDA à partir de l’archive Ubuntu #

Mettez à jour l’index du package et installez le kit d’outils :

sudo apt update
sudo apt install nvidia-cuda-toolkit

Le nvidia-cuda-toolkit Le package récupère le compilateur, les bibliothèques et les en-têtes de l’archive Ubuntu. Ensuite, inspectez les choix de pilotes NVIDIA pour votre GPU :

ubuntu-drivers devices

Le numéro exact du pilote dépend de votre GPU et de l’archive Ubuntu au moment de l’installation. Recherchez la ligne marquée recommendedpuis installez-le automatiquement :

sudo ubuntu-drivers install

Redémarrez une fois l’installation terminée afin que le noyau charge le pilote NVIDIA à la place de l’open source nouveau conducteur:

sudo reboot

Une fois le système redémarré, passez à la section de vérification pour confirmer le fonctionnement du pilote et de la boîte à outils.

Méthode 2 : installer CUDA à partir du référentiel NVIDIA #

Le référentiel NVIDIA est le bon choix lorsque vous avez besoin de la dernière version de CUDA. La configuration se déroule en deux étapes : installez le trousseau de clés du référentiel, puis installez la boîte à outils et les pilotes à partir du nouveau référentiel.

Installez le porte-clés CUDA #

NVIDIA distribue un petit .deb package qui ajoute la définition du référentiel et la clé de signature à apt. Pour Ubuntu 26.04 sur x86_64, téléchargez et installez le ubuntu2604 paquet de porte-clés :

wget 
sudo dpkg -i cuda-keyring_1.1-1_all.deb

Le paquet de porte-clés écrit /etc/apt/sources.list.d/cuda-ubuntu2604-x86_64.list et installe la clé GPG qu’apt utilise pour vérifier le référentiel.

Installer la boîte à outils et le pilote #

Actualisez l’index du package et installez la boîte à outils. Au moment de la publication, le référentiel NVIDIA Ubuntu 26.04 publie CUDA Toolkit 13.3 :

sudo apt update
sudo apt install cuda-toolkit

Le cuda-toolkit Le méta-paquet suit la dernière version de CUDA dans le référentiel. Pour rester sur CUDA 13.3 et éviter le passage automatique à la prochaine version mineure, installez plutôt le package versionné :

sudo apt install cuda-toolkit-13-3

Installez le pilote correspondant. Le cuda-drivers le méta-paquet extrait toujours la version associée à la boîte à outils installée :

sudo apt install cuda-drivers

Redémarrez pour que le noyau charge le nouveau pilote :

sudo reboot

Configurer les variables d’environnement #

Le référentiel NVIDIA installe CUDA sous /usr/local/cuda. Ajoutez les binaires de la boîte à outils à votre shell PATH donc nvcc est disponible depuis un nouveau terminal. Ajoutez la ligne suivante à ~/.bashrc:

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

Rechargez le shell pour que les modifications prennent effet :

source ~/.bashrc

Le paquet d’archives Ubuntu place les binaires dans /usr/bin et les bibliothèques dans les chemins système standard, cette étape n’est donc pas nécessaire pour la méthode 1.

Vérifier l’installation #

Confirmez que le pilote est chargé et que le GPU est visible :

nvidia-smi

+-----------------------------------------------------------------------------------------+
| NVIDIA-SMI 610.43.02 Driver Version: 610.43.02 CUDA Version: 13.3 |
+-----------------------------------------------+----------------------+------------------+
| GPU Name Persistence-M | Bus-Id Disp.A | Volatile Uncorr. ECC |
| Fan Temp Perf Pwr:Usage/Cap | Memory-Usage | GPU-Util Compute M. |
|=========================================+======================+========================|
| 0 NVIDIA GeForce RTX 3060 Off | 00000000:01:00.0 Off | N/A |
| 0% 38C P8 13W / 170W | 8MiB / 12288MiB | 0% Default |
+-----------------------------------------+----------------------+------------------------+

La sortie affiche le modèle de GPU, la version du pilote et la version CUDA prise en charge par le pilote. La version CUDA signalée par le pilote est la version d’exécution maximale que le pilote peut charger ; la boîte à outils installée peut être la même ou plus ancienne.

Vérifiez le compilateur de la boîte à outils :

nvcc --version

nvcc: NVIDIA (R) Cuda compiler driver
Copyright (c) 2005-2026 NVIDIA Corporation
Cuda compilation tools, release 13.3, V13.3.33

Le release line est la version de la boîte à outils installée sur le système. Pour les applications compatibles CUDA, c’est la version qui compte au moment de la compilation.

Exécuter un exemple CUDA #

Le moyen le plus rapide de confirmer que le GPU exécute les charges de travail CUDA est le deviceQuery échantillon. Les exemples sont maintenant construits avec CMake, alors installez Git, CMake et les outils de build, puis clonez le référentiel d’exemples officiel, créez le deviceQuery target et exécutez-le à partir de l’arborescence de construction :

sudo apt install git build-essential cmake
git clone --depth 1 
cd cuda-samples
cmake -B build
cmake --build build --target deviceQuery -j$(nproc)
./build/Samples/1_Utilities/deviceQuery/deviceQuery

./deviceQuery Starting...
CUDA Device Query (Runtime API) version (CUDART static linking)
Detected 1 CUDA Capable device(s)
Device 0: "NVIDIA GeForce RTX 3060"
CUDA Driver Version / Runtime Version 13.3 / 13.3
CUDA Capability Major/Minor version number: 8.6
Total amount of global memory: 12288 MBytes
...
Result = PASS

UN PASS Le résultat confirme que la boîte à outils, le pilote et le GPU fonctionnent ensemble de bout en bout. Les frameworks tels que PyTorch et TensorFlow s’appuient sur le même runtime que cet exemple exerce, donc un passage deviceQuery est un signal fort que les charges de travail d’apprentissage automatique seront exécutées.

Dépannage #

nvidia-smi rapporte « Aucun appareil n’a été trouvé »

Le pilote n’est pas chargé. Courir lsmod | grep nvidia. Si rien n’est répertorié, vérifiez l’état du démarrage sécurisé avec mokutil --sb-state. Désactivez le démarrage sécurisé dans le BIOS ou enregistrez une clé de propriétaire de machine pour le module du noyau NVIDIA, puis redémarrez.

nouveau pilote toujours chargé

L’open source nouveau Le pilote est en conflit avec le pilote NVIDIA. Confirmez avec lsmod | grep nouveau. Mettez-le sur liste noire en créant /etc/modprobe.d/blacklist-nouveau.conf avec les lignes blacklist nouveau et options nouveau modeset=0puis exécutez sudo update-initramfs -u et redémarrez.

nvcc introuvable après l’installation à partir du référentiel NVIDIA

Le PATH ne comprend pas /usr/local/cuda/bin. Ajoutez la ligne d’exportation de la section des variables d’environnement à ~/.bashrc et courir source ~/.bashrc. Vérifiez que le binaire est sur le disque avec ls /usr/local/cuda/bin/nvcc.

Le pilote ne parvient pas à se construire après une mise à niveau du noyau

Le module DKMS a besoin des en-têtes de noyau correspondants. Installez-les avec sudo apt install linux-headers-$(uname -r)puis réinstallez le package de pilotes. Pour la méthode du référentiel NVIDIA, exécutez sudo apt install --reinstall cuda-drivers. Redémarrez une fois la construction terminée.

Erreurs d’incompatibilité de version CUDA de PyTorch ou TensorFlow

Les frameworks fournissent des binaires construits sur une version spécifique de CUDA. La version CUDA rapportée par nvidia-smi est la durée d’exécution maximale prise en charge par le pilote. Choisissez la version du framework dont la version CUDA est inférieure ou égale à cette valeur.

Espace disque insuffisant lors de l’installation

La boîte à outils complète est vaste. Espace libre dans /var/cache/apt avec sudo apt cleanou installez uniquement les composants dont vous avez besoin en remplaçant cuda-toolkit avec des méta-paquets plus petits tels que cuda-compiler-13-3 et cuda-libraries-dev-13-3.

Conclusion #

Une installation CUDA fonctionnelle donne à Ubuntu 26.04 la pile de calcul GPU nécessaire à PyTorch, TensorFlow, lama.cpp et des outils similaires. Épinglez la version de la boîte à outils lorsque vous créez un logiciel pour une version CUDA spécifique et réexécutez nvidia-smi après chaque mise à niveau du noyau pour vous assurer que le pilote est toujours chargé.