安装虚拟机和YOLOv12详细教程

已于 2025-03-24 10:41:52 修改
阅读量1.2k 收藏 12
点赞数 30
文章标签： 目标检测
于 2025-03-21 10:05:32 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/m0_52170158/article/details/146377027
版权

安装虚拟机和YOLOv12保姆级教程

前言

  1. 安装虚拟机
  2. 安装PYthon和Pytorch
  3. 安装YOLOv12及其依赖

一、安装和配置Linux:

如果你更重视环境隔离，或者需要虚拟机的灵活性，VMware 或 Oracle VirtualBox 可能是更合适的选择，但性能上会略逊色于 WSL2，尤其是在需要大量 GPU 计算的深度学习训练过程中。

方案1：如果电脑上还没有安装Linux，可以安装Ubuntu，然后在Ubuntu环境下运行YOLOv12

1. 下载Ubuntu

  • 可以从 Ubuntu 官方网站 下载最新版 Ubuntu
  • 需要 更稳定的版本，可以选择 Ubuntu 20.04 LTS 或 Ubuntu 22.04 LTS。

2. 创建Ubuntu安装U盘
需要一个 至少 8GB 的 U 盘 来制作 Ubuntu 启动盘：

  • 在 Windows 上下载 Rufus（官网）。
  • 用 Rufus 将 Ubuntu ISO 写入 U 盘，制作可启动盘。
  • 重新启动电脑，进入 BIOS，选择 U 盘启动并安装 Ubuntu。

3. 安装Ubuntu并配置环境
安装完成后，需要：

  • 更新系统：
sudo apt update && sudo apt upgrade -y
  • 安装NVIDIA驱动（如果有独立显卡）：
 sudo ubuntu-drivers autoinstall

方案2：在Windows上使用WSL2（适用于开发测试）

  • WSL2 有一定的 GPU 兼容性问题，建议只用于开发和测试，不适用于大规模训练。
  • WSL2 提供接近原生 Linux 环境的性能，特别是在训练深度学习模型时，能够利用 GPU 加速（只要你正确配置了 NVIDIA 驱动、CUDA 和 cuDNN）。对于 YOLOv12 这样的模型训练，GPU 加速至关重要，WSL2 能提供非常好的性能。
  • WSL2 相比虚拟机使用的资源较少，不需要像虚拟机那样分配和管理 CPU、内存等资源，性能更高，尤其是在高负载任务（如图像分类识别训练）下表现优越。
  • 如果不想安装完整的 Linux 系统，可以使用 Windows Subsystem for Linux 2（WSL2） 来运行 Ubuntu：
  • 配置要求：
    操作系统：Windows 10 或 Windows 11（建议使用 WSL2）。
    GPU 支持：安装 NVIDIA 驱动、CUDA 和 cuDNN，确保能够在 WSL2 中使用 GPU。
    深度学习框架：安装 Python、PyTorch（或其他支持 YOLO 的框架）等库。

步骤1：启用 WSL 和虚拟机平台

  1. 以管理员身份打开 PowerShell（Win + X 搜索 “PowerShell”，右键选择 “以管理员身份运行”）
  2. 运行以下命令来启用 WSL2 和虚拟机支持。这个命令会自动安装 WSL2 和 Ubuntu：
wsl --install

在这里插入图片描述

如果你已经安装了 WSL1，需要手动升级到 WSL2：

wsl --set-default-version 2

启用虚拟化（如果未启用的话）
打开“控制面板” -> “程序” -> “启用或关闭 Windows 功能”，勾选 虚拟机平台 和 Windows 子系统 Linux。

  1. 重启计算机
    在这里插入图片描述
  2. 确认 WSL 版本
wsl -l -v

如果看到 Ubuntu 旁边写着 2，说明 WSL2 安装成功。
在这里插入图片描述

如果 wsl --install 失败，可以手动启用以下组件：

dism.exe /online /enable-feature /featurename:Microsoft-Windows-Subsystem-Linux /all /norestart
dism.exe /online /enable-feature /featurename:VirtualMachinePlatform /all /norestart

步骤2：安装Ubuntu22.04

从 Microsoft Store 或者Google等网站下载并安装 Ubuntu 22.04，点击安装。
Ubuntu22.04下载链接： Ubuntu22.04下载链接或Microsoft Store Ubuntu22.04下载链接
在这里插入图片描述
在这里插入图片描述

安装完成后，启动 Linux 发行版，完成初始化设置（创建用户和密码）。
在这里插入图片描述

步骤3：将 WSL 2 设置为默认版本
打开 PowerShell（管理员权限），输入：

wsl --set-default-version 2

步骤4：安装到F盘
WSL 默认将发行版安装在系统盘（C 盘），但你可以指定安装位置。这里在安装完 Ubuntu 22.04 后，迁移到 F 盘，其他盘类似：

  1. 首先，在 F 盘创建一个文件夹，例如 F:\WSL，用来存储 WSL 的 Linux 文件系统。
  2. 然后，在 PowerShell 中输入以下命令，将 Ubuntu 移动到 F 盘。
wsl --export Ubuntu-22.04 F:\WSL\ubuntu22.04.tar
wsl --unregister Ubuntu-22.04
wsl --import Ubuntu-22.04 F:\WSL\Ubuntu-22.04 F:\WSL\ubuntu22.04.tar --version 2

这会将 Ubuntu 迁移到 F 盘并使用 WSL2。
这里，Ubuntu-22.04 是你的 WSL 实例名称，F:\ubuntu-22.04.tar 是你希望保存的目标位置。
迁移完成后可以把tar包删除。
3. 启动 Ubuntu：

wsl

或者：

wsl -d Ubuntu-22.04

在这里插入图片描述

这样，你就可以将 WSL2 安装到 F 盘并在该位置运行 Linux 发行版了。

方案3：使用虚拟机（适用于测试）

虚拟机性能较差，不推荐用于深度学习训练，但适用于测试和开发。
可以在 Windows 或 macOS 上使用 VirtualBox 或 VMware 安装 Ubuntu：

  • 下载 VirtualBox 或 VMware。
  • 安装 Ubuntu，并分配至少 4GB RAM 和 2 核 CPU（训练模型建议 8GB+）。
  • 安装 YOLOv12。

方案 4：双系统安装 Windows + Ubuntu

如果你需要同时使用 Windows 和 Linux，可以安装 双系统：

备份重要数据，然后在 Windows 中使用 磁盘管理 缩小 Windows 分区，留出 50GB 以上的空间用于 Ubuntu。
使用 Ubuntu 启动 U 盘 进行安装，并在分区时选择 “安装 Ubuntu 旁边” 选项。
安装完成后，你可以在启动时选择 Windows 或 Ubuntu。

二、安装 NVIDIA CUDA（GPU 加速）和cuDNN

我选择WSL2配置 YOLO 训练 Ubuntu22.04环境（适用于 Ubuntu 20.04/22.04）。
WSL2 结合 NVIDIA GPU 加速 可以让 YOLO 训练更快、更高效。上面已经安装好WSL了，下面是完整的 配置 指南。

如果你想用 GPU 训练 YOLO，必须安装 CUDA 驱动。

1. 先在 Windows 上安装 NVIDIA 驱动
🔗 下载地址：NVIDIA驱动下载地址
2. 确认WSL2识别GPU：
在 Windows 上打开 PowerShell（管理员模式），运行命令检查更新wsl，然后重启 wsl：

wsl --update
wsl --shutdown

在这里插入图片描述

然后Win+R：wsl，重新启动 WSL2 Linux终端（Ubuntu22.04），运行以下命令，检查 NVIDIA GPU
是否可用。
如果能看到显卡信息，说明 WSL2 识别了你的 NVIDIA GPU（显卡驱动），驱动安装正确。

nvidia-smi

在这里插入图片描述

检查 CUDA 是否可用：

nvcc --version

如果 nvcc 命令未找到，需要安装 CUDA Toolkit。
安装 CUDA Toolkit：

 sudo apt install -y cuda

在这里插入图片描述
3. 在 WSL（Ubuntu 22.04） 里安装 CUDA
NVIDIA 为 WSL2 提供了 专门的 CUDA 工具包，你需要安装 WSL 版 CUDA。

  1. 快捷键Win+R，输入wsl，打开 Ubuntu 终端
  2. 添加 NVIDIA 软件包密钥：
# 添加 NVIDIA 源
wget https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2204/x86_64/cuda-keyring_1.0-1_all.deb
sudo dpkg -i cuda-keyring_1.0-1_all.deb

# 更新包管理器
sudo apt update

在这里插入图片描述

  1. 手动添加CUDA到环境变量：
export PATH=/usr/local/cuda/bin:$PATH
export LD_LIBRARY_PATH=/usr/local/cuda/lib64:$LD_LIBRARY_PATH
  1. 验证 CUDA 安装：
nvcc -V

在这里插入图片描述

  1. 安装 cuDNN
sudo apt install -y libcudnn8 libcudnn8-dev

三、安装 Python 和 PyTorch

首先安装 Python 3.10+ 和 pip：

sudo apt install -y python3 python3-pip

然后安装 PyTorch（适配 CUDA 版本）：

pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121

报错。Ubuntu 22.04 可能使用的是 Python 3.10+，并且默认启用了 PEP 668 保护机制，防止 pip 直接修改系统 Python 依赖。
在这里插入图片描述
解决办法：使用 venv 创建虚拟环境（推荐）
Python 现在建议使用 虚拟环境 安装第三方包，以避免污染系统 Python 依赖。

创建一个 Python 虚拟环境
运行以下命令：

sudo apt update
sudo apt install -y python3-venv

因为YOLO和 PyTorch 目前不完全支持 Python 3.12， 可能会导致兼容性问题。
Ubuntu 22.04 的官方源默认提供的是 Python 3.10 和 Python 3.12，你需要手动添加 deadsnakes PPA 才能安装 Python 3.11。

解决办法：手动安装Python3.11：
** 1. 添加**deadsnakes PPA

sudo apt update
sudo apt install software-properties-common -y
sudo add-apt-repository ppa:deadsnakes/ppa -y
sudo apt update

在这里插入图片描述
在这里插入图片描述
这一步会添加 deadsnakes PPA，它提供多个 Python 版本的安装包。
在这里插入图片描述

** 安装 Python 3.11**

sudo apt install python3.11 python3.11-venv python3.11-dev -y

在这里插入图片描述
安装完成后，检查是否成功：

python3.11 --version

在这里插入图片描述

创建Python虚拟环境：

python3 -m venv ~/pytorch-env

激活虚拟环境

source ~/pytorch-env/bin/activate

（设置Python 3.11 成为 python3 命令的默认版本）：

sudo update-alternatives --install /usr/bin/python3 python3 /usr/bin/python3.12 1
sudo update-alternatives --install /usr/bin/python3 python3 /usr/bin/python3.11 2
sudo update-alternatives --config python3

在这里插入图片描述

在虚拟环境中安装 PyTorch（适配 CUDA12.8 版本）(安不上啊怎么回事/(ㄒoㄒ)不管了）（原来是python版本不兼容 弄了好久）
离线下载对应版本，安装whl安装包：pytorch离线安装包下载地址
打开链接，找到版本下载
在这里：
cu118：cuda11.8版本
cp311：Python3.11版本
下载pytorch，torchvision，torchaudio，下载完成后可以把安装包删除。
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

下载到yolov12文件夹中

**切换**到whl在的文件夹：
```bash
cd /mnt/c/User/19658/yolov12/yolov12

激活环境后，按照顺序安装三个whl文件：torch，torchvision，torchaudio

四、安装YOLOv12及依赖

在 WSL2 中 默认不包含 git，如果你遇到 git: command not found，需要先安装 Git：

sudo apt update
sudo apt install -y git

在这里插入图片描述

然后再运行 git clone 命令克隆 YOLOv12 仓库：

git clone https://github.com/sunsmarterjie/yolov12.git
cd yolov12

在这里插入图片描述
安装Flash Attention：
下载flash-attn文件：flash-attn2.7.3下载地址
在这里插入图片描述

pip install /path/to/flash_attn-2.7.3+cu11torch2.2cxx11abiFALSE-cp311-cp311-linux_x86_64.whl

安装其他依赖

pip install -r requirements.txt

或逐一安装：

pip install timm==1.0.14
pip install albumentations==2.0.4
pip install onnx==1.14.0
pip install onnxruntime==1.15.1
pip install pycocotools==2.0.7
pip install PyYAML==6.0.1
pip install scipy==1.13.0
pip install onnxslim==0.1.31
pip install onnxruntime-gpu==1.18.0
pip install gradio==4.44.1
pip install opencv-python==4.9.0.80
pip install psutil==5.9.8
pip install py-cpuinfo==9.0.0
pip install huggingface-hub==0.23.2
pip install safetensors==0.4.3
pip install numpy==1.26.4

如果你需要 OpenCV 进行数据增强：

pip3 install opencv-python-headless

五、验证YOLO训练环境

确保 PyTorch 能够使用 GPU：

python3 -c "import torch; print(torch.cuda.is_available())"

如果返回 True，说明 PyTorch 识别到了 GPU。

测试 YOLO 是否可用：

python3 detect.py --weights yolov12.pt --img 640 --source data/images

如果能看到推理结果，说明 YOLO 运行正常。

六、未来训练YOLO

可以使用以下命令训练 YOLO：

python3 train.py --img 640 --batch 16 --epochs 300 --data data.yaml --weights yolov12.pt --device 0

这里：
–img 640：输入图片尺寸
–batch 16：批量大小（根据显存调整）
–epochs 300：训练 300 轮
–data data.yaml：数据集配置文件
–weights yolov12.pt：预训练权重
–device 0：使用 GPU 训练

还可以通过浏览器或 API 请求来使用该服务进行推理。

  1. 启动 Web 服务： 运行 app.py 来启动服务。
python3 app.py

你应该会看到类似以下内容的输出，说明服务器已经启动：

 Running on http://127.0.0.1:5000 (Press CTRL+C to quit)

这里的 5000 是默认的端口，你可以根据需要修改。如果是其他端口，则会显示相应的端口号。

  1. 通过浏览器或 HTTP 请求进行推理
    浏览器访问： 在浏览器中输入以下 URL：
 http://127.0.0.1:5000

如果该 Web 服务提供了一个用户界面，你应该能够看到一个输入框来上传图片或其他方式进行推理。
通过 API 请求进行推理： 如果 app.py 提供 API 接口，你可以使用 curl 或 Python 脚本来发送图片进行推理。
例如，使用 curl 上传图片进行推理：

curl -X POST -F "file=@/path/to/image.jpg" http://127.0.0.1:5000/predict

请根据 app.py 中的 API 路径修改。

  1. 检查 app.py 代码了解 API 路由
    如果你不确定 app.py 提供了哪些功能或路由，可以打开 app.py，查看其定义的路由和推理方式。例如，常见的 Flask 或 FastAPI 项目会包含如下代码：
from flask import Flask, request, jsonify
import torch

app = Flask(__name__)

@app.route('/predict', methods=['POST'])
def predict():
    file = request.files['file']
    # 进行推理并返回结果
    result = model_inference(file)  # 你自己的推理函数
    return jsonify(result)

if __name__ == "__main__":
    app.run(debug=True)

通过查看 app.py 中的代码，你可以确认 Web 服务的端点（例如 /predict），然后根据这些信息构建 API 请求。

总结

这是我自己一步步摸索出来的wsl的安装和YOLOv12的安装步骤，有不对之处请一起交流！

m0_52170158
关注
YOLO安装教程
cl_vic的博客
02-19 7372
本博客详细介绍YOLO安装的步骤（默认ubuntu已安装完成），各部分的版本如下： Ubuntu:14.04 LTS Opencv:2.4.10 CUDA:7.5
【超详细，保姆级教程】RK3588部署yolov5s（1）
m0_52641167的博客
09-19 1788
yolov5s.pt测试→yolov5s.onnx→yolov5s.rknn*
yolov12安装必备轮子，flash-attention cp311 windows安装轮子 （值得收藏）
02-22
FlashAttention安装教程 FlashAttention 是一种高效且内存优化的注意力机制实现，旨在提升大规模深度学习模型的训练和推理效率。 flash_attn-2.4.1+cu121torch2.1cxx11abiFALSE-cp311-cp311-win_amd64.whl flash_attn-2.7.0.post2+cu124torch2.3.1cxx11abiFALSE-cp311-cp311-win_amd64.whl flash_attn-2.7.0.post2+cu124torch2.4.0cxx11abiFALSE-cp311-cp311-win_amd64.whl flash_attn-2.7.0.post2+cu124torch2.5.1cxx11abiFALSE-cp311-cp311-win_amd64.whl flash_attn-2.7.1.post1+cu124torch2.3.1cxx11abiFALSE-cp311-cp311-win_amd64.whl flash_attn-2.7.1.post1+cu124torch2.4.0cxx
Windows搭建并成功运行yolov12（保姆级教程，新手入门）
weixin_44649668的博客
02-25 1661
在pycharm打开项目yolov12，将requirements.txt文件中前三行注释掉（因为flash_attn和torch,torchvision，python版本需对应，所以我将其都与与编译好的windows版flash_attn对应）在pycharm打开项目yolov12，点击 文件--设置--项目yolov12-main--python解释器--添加解释器--添加本地解释器--conda环境--使用现有环境--yolov12--确定。分别点击进去，找到对应的版本，我下载的分别是。
目标检测：YOLOv12环境配置，超详细，适合0基础纯小白
笑脸惹桃花的博客
03-17 4185
小白也可以看懂的YOLOv12教程！ YOLOv12 是 YOLO 系列中首个打破传统基于卷积神经网络（CNN）方法的模型，它通过将注意力机制直接集成到目标检测过程中实现了这一突破。因此YOLOv12需要额外配置FlashAttention，此前的YOLO环境均不可用，需要按照最新的教程配置。此外，30系显卡以前的架构不支持较新的FlashAttention2.x，只能通过更换显卡解决。
YOLOv12保姆级教程（win系统和ubuntu系统均可使用）
许济江
02-20 1万+
YOLOv12 是由纽约大学、中国科学院大学和布法罗大学联合研发的实时物体检测模型。相比传统的 CNN 架构，YOLOv12 引入了 注意力机制，突破了在捕捉全局依赖和提升精度方面的局限。其创新包括： 区域注意力模块（A2）：提高推理速度，减少计算复杂度。 残差高效层聚合网络（R-ELAN）：增强特征聚合，优化训练效率。 架构优化：采用 FlashAttention 解决内存访问问题，调整 MLP 比率，进一步提升性能。
Yolov12手把手安装配置教程，非常容易！
最新发布
wqthaha的专栏
03-18 1230
最新的 YOLOv12 已正式发布！作为目标检测领域的前沿模型，它带来了更高的检测精度与更快的推理速度。本文将简要介绍如何安装并使用 YOLOv12，帮助大家快速上手，体验这一最新版本的强大性能。
yolo的安装方式
xbh3092363384的博客
10-06 1419
进入C:\Users\xbh\Desktop\ultralytics-main\runs\detect\predict 这个路径显示以下照片，那么就代表我们的yolo已经安装完毕并且目标检测完成。模型下载链接：https://github.com/ultralytics/assets/releases/download/v8.2.0/yolov8n.pt。在安装好YOLO以后我们现在来使用YOLO进行对象检测。当我们输入yolo help会出现以下情况yolo已经安装完毕。二：进入pytorch虚拟环境。
[python]windows上安装yolov12环境
FL1623863129的博客
02-20 839
很明显官方只能在linux上安装，因为flash_attn这个是linux上的whl，然后去flash-attention源码页面的release找下有没有win_amd64.whl。我试了下从源码开始有点难度，所以还是从其他地方找到whl。我电脑是RTX2070显卡，算力7.5，没有超过8，看起来flash-attn专门为算力>=8设计的模块？我下载了flash_attn-2.7.4+cu124torch2.5.1cxx11abiFALSE-cp310-cp310-win_amd64.whl。
YOLOv12最全使用教程【含ONNX模型推理】
qq_40734883的博客
02-22 2287
YOLOv12在所有流行的实时目标检测器中，在准确性方面超越了它们，并且速度具有竞争力。例如，YOLOv12-N在T4 GPU上实现了40.6%的mAP，推理延迟为1.64毫秒，相比先进的YOLOv10-N/YOLOv11-N，在相当的速度下，**mAP提高了2.1%/1.2%**。这种优势也扩展到了其他模型规模。YOLOv12还超过了那些改进DETR的端到端实时检测器，如RT-DETR/RT-DETRv2：YOLOv12-S在运行速度比RT-DETR-R18/RT-DETRv2-R18快42%的情况下，仅
【基于Ubuntu下Yolov5的目标识别】保姆级教程 - 虚拟机安装 - Ubuntu安装 - 环境配置
11-07
【基于Ubuntu下Yolov5的目标识别】保姆级教程 | 虚拟机安装 - Ubuntu安装 - 环境配置(Anaconda/Pytorch/Vscode/Yolov5) |全过程图文by.Akaxi 全文8686字102图 包含YoloV5源码
yolov3使用教程(从tensorflow-gpu环境搭建到迁移学习).pdf
04-21
你是否为复现yolov3但是经常报错，环境搭建出错等问题苦恼，我刚开始也一样。本文档为本人在使用github上keras-yolov3-master项目（作者：qqwweee）的使用教程笔记，清楚记录了从tensorflow-gpu环境搭建到复现voc数据集的模型训练及预测，及最后实现迁移学习对神经元胞体的预测整个流程。帮你少走很多弯路。（或者直接看我的博客：https://blog.csdn.net/qq_42109740/article/details/105662320）
yolov5_caffe-源码
09-04
YOLOv5与Caffe整合是深度学习领域中一个重要的实践，这涉及到计算机视觉和神经网络模型的优化。YOLO（You Only Look Once）是一种实时目标检测系统，以其高效和准确性而闻名，而Caffe（Convolutional Architecture ...
yolov8安装j教程
03-14
### YOLOv8在J环境中的安装教程 YOLOv8 是一种先进的目标检测模型，其训练和推理过程依赖于多个库的支持。要在 J 环境下完成 YOLOv8 的安装并实现 TensorRT 推理功能，可以按照以下方法操作。 #### 安装基础依赖项...
Ubuntu20.04部署yolov5目标检测算法，无人车/无人机应用
热门推荐
振华OPPO的博客世界
07-17 1万+
FireFlyRK3588开发板上烧录的Ubuntu20.04系统，在此基础上线部署下简单的Python版本yolov5代码，目前博主已全部转为C++版本了，并且转化了pt模型为rknn模型，调用npu进行推理，效果和速度都比原先Python代码好很多。本篇主要介绍如何部署和运行yolov5目标检测代码。...
YOLO-yolov5安装教程（详细流程）
weixin_61218382的博客
03-22 7225
进入miniconda网站选择一个安装包（py38版本）。在这个界面需要勾选前三个。到这里显示安装成功在开始菜单中找到刚刚下载安装好的miniconda（注意：一定要是Ａnaconda Prompt）。点击anaconda prompt进入后针对yolov5创建自己的环境。输入conda create -n yolov5 python=3.8（即创建了一个名为yolov5的虚拟环境）。然后回车进行配置，出现下面这个结果后继续输入y，进行确认安装。
yolo安装
wym2011aaj的专栏
08-02 258
一、安装 git clone https://github.com/pjreddie/darknet.git cd darknet vim Makefile 将GPU和CUDNN两个设置为1 make 二、Object-Detection ./darknet detect cfg/yolov2-tiny.cfg weights/tiny-yolo.weights data/dog.jpg ....
yolov12部署（保姆级教程）
qq_45636998的博客
02-23 712
详细记录了yolov12部署本地的一些方法
yolov10 ubuntu20.04虚拟机
01-01
### 如何在Ubuntu 20.04虚拟机上安装和配置YOLOv10 #### 准备工作 确保已经更新了系统的软件包列表并升级现有软件包到最新版本。这可以通过运行以下命令来完成[^3]： ```bash sudo apt update && sudo apt upgrade -y ``` #### 安装依赖项 为了顺利编译和运行YOLOv10项目，可能需要先安装一些必要的Python库和其他工具。对于大多数情况来说，这些可以由Anaconda环境管理器处理。 如果尚未安装Anaconda，在此之前应该按照官方指南或相关教程中的说明进行设置[^2]。创建一个新的Conda环境用于隔离YOLOv10所需的特定版本依赖关系，并激活该环境: ```bash conda create --name yolov10 python=3.8 conda activate yolov10 ``` 接着通过pip安装额外的需求文件`requirements.txt`中指定的Python模块： ```bash pip install -r requirements.txt ``` #### 获取源码 前往目标目录并通过Git克隆仓库获取最新的YOLOv10源代码: ```bash git clone https://github.com/ultralytics/yolov10.git cd yolov10 ``` #### 编译与测试 进入解压后的YOLOv10文件夹内，根据README文档里的指导完成任何进一步的构建过程（如果有）。通常情况下不需要特别的操作就能直接使用预训练模型做推理预测。但是建议尝试执行几个简单的例子验证一切正常运作。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值