yolov5/v7/v8/v9/v10/v11环境详细配置教程（Windows+conda+pycharm）

最新推荐文章于 2025-04-04 02:07:33 发布
最新推荐文章于 2025-04-04 02:07:33 发布
阅读量415 收藏 3
点赞数
分类专栏： YOLOv8目标检测改进 文章标签： YOLO windows conda 深度学习 目标检测
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/qq_41304809/article/details/143471473
版权

目录

一、所需环境配置 

1.1. 虚拟环境创建

1.2. 激活虚拟环境

1.3 安装pytorch

二、安装yolo相关环境

一、所需环境配置 

1.1. 虚拟环境创建

首先，打开Anaconda Prompt命令窗口，创建一个新的虚拟环境，后面的包都在这个环境中安装。创建命令是：我的习惯是使用3.8版本的python，你也可以换成更高版本；

conda create -n yolo python=3.8

输入命令后，运行结果如下：输入y即可；

1.2. 激活虚拟环境

安装完成后，即可激活虚拟环境，输入以下命令即可；

conda activate yolo

激活成功之后如图所示； 

1.3 安装pytorch

gpu版本的安装命令：想要安装其他版本可以去pytorch官网自己找

conda install pytorch==2.2.1 torchvision==0.17.1 torchaudio==2.2.1 pytorch-cuda=12.1 -c pytorch -c nvidia

二、安装yolo相关环境

安装ultralytics包；

pip install ultralytics

安装完成后可以通过conda list查看环境中是否安装完成。

然后安装pyqt5

pip install pyqt5

 可以复制下面的代码来验证一下是否可以运行。

yolo predict model=yolov8n.pt source='ultralytics/assets/bus.jpg'

到这里，yolo系列算法的环境配置算是完成了！

其中遇到的问题欢迎大家留言！我也会持续更新

《手把手教你YOLOv8/YOLOv11实战》，改进专栏目录和介绍
在职AI算法工程师，擅长计算机视觉，YOLO目标检测、分割等，擅长web、pyqt界面可视化，好内容持续更新中，来这里跟大家一起学习，共同进步
08-09 9042
YOLOv8 是目前比较火和比较成熟的深度学习框架，是2023年1月发布的，由 Ultralytics 团队开发。Ultralytics自YOLOv5 开始一直积极维护和更新 YOLO 框架，因此 YOLOv8 也享有持续的维护与升级支持。因此我写下《手把手教你YOLOv8实战》专栏，专门为那些对计算机视觉、深度学习、以及目标检测技术感兴趣的读者设计。通过本专栏，你将深入理解 YOLOv8 的核心原理与实际应用，从0 开始学习并掌握如何使用 YOLOv8 完成各类目标检测任务，帮助你快速上手并掌握 YOLO
【深度学习环境配置】Anaconda + PyCharm + CUDA + cuDNN + PyTorch + OpenCV
shinuone的博客
02-23 1万+
（1）【CPU版本】Anaconda（Python） + Pycharm + Pytorch（CPU） + Opencv （2）【GPU版本】Anaconda（Python） + Pycharm + CUDA + cuDNN + Pytorch（GPU） + Opencv
视觉 Yolov11 环境配置（GPU版）
AuRoRamth的博客
03-08 1271
首先用 anaconda 创建虚拟环境根据自己需求创建一个虚拟环境一个环境名叫 yolov11-py-3-8 就创建好了，后续的 yolov11 就会以这个环境去做深度学习（这里不建议把环境的 py 版本设置到最新，设置个 3.8 或者 3.10 完全够用了 ）下一步就是按照 cuda 以及 cudnn 了，首先要先查清楚自己电脑支持什么配置。
【大漠插件yolov5_7.0环境配置遇见的问题解决方法】
a756598009的博客
04-04 720
yolo用和作者一样的版本，找不到就有最相近的版本yolo用和作者一样的版本，找不到就有最相近的版本yolo用和作者一样的版本，找不到就有最相近的版本不然百分百各种报错。这是重点。yolo用和作者一样的版本，找不到就有最相近的版本然后改文件experimental.py修改attempt_load函数（位于models/experimental.py中），将torch.load的调用更改为：pythonCopy Code就可以解决了，我已经成功可以训练了。
yolo环境配置与数据训练
weixin_40257433的博客
11-19 1079
目录1.CPU版配置1.1软件环境1.2修改darknet_no_gpu.sln1.3 修改darknet_no_gpu.vcxproj1.4 打开darknrt_no_gpu.sln1.5 测试2.GPU版配置2.1 软件环境2.2 CUDA 与cuDNN2.3 修改darknet.sln2.4 修改darknet.vcxproj2.5 打开darknet.sln2.6 视频测试3.YOLO3数据训练3.1 数据准备3.2 准备yolo3-KD.cfg_train 文件 1.CPU版配置 1.1软件环境
yolov5/v7/v8/v9/v10环境详细配置教程（Windows+conda+pycharm）
Laohega132的博客
09-20 971
首先，打开Anaconda Prompt命令窗口，创建一个新的虚拟环境，后面的包都在这个环境中安装。创建命令是：我的习惯是使用3.8版本的python，你也可以换成更高版本；下载好完整的代码之后，用pycharm打开，可以看到其中有一个requirements.txt文件，要在上面激活的环境中使用命令行安装此文件；gpu版本的安装命令：想要安装其他版本可以去pytorch官网自己找。安装完成后可以通过conda list查看环境中是否安装完成。安装完成后，即可激活虚拟环境，输入以下命令即可；
YOLOv5/v8环境配置及训练、检测方法
LIYIFAN_的博客
01-14 6392
打开拷贝的yaml文件，将train和val后面的位置改为数据集的相对位置，names里为要检测的对象，若只有一个对象就写0：对象名,其他的注释掉。在D盘或E盘新建一个PycharmProject文件夹，将刚刚下载好的yolov5/v8工程压缩包解压到PycharmProject文件夹。在Pycharm中打开刚刚解压好的yolov5-master的文件夹。运行完成后runs文件夹下会生成detect文件夹里面放有测试结果。4. 将数据集放置在工程文件夹下的data->images文件夹下。
YOLO环境配置
2401_87734564的博客
11-23 1909
YOLO（You Only Look Once）是一种流行的，它将目标检测任务作为一个来处理，直接预测图像中所有目标的位置和类别。与传统的目标检测方法（例如 R-CNN 系列）不同，YOLO 通过一个单一的在一次前向传播中同时进行目标识别和定位，因此非常高效，能够在实时应用中使用。：是计算机视觉领域中的一个重要任务，其目的是在图像或视频中识别并定位特定类别的物体。目标检测不仅要求算法识别图像中的物体类别（例如“猫”或“汽车”），还需要确定每个物体的位置，即返回该物体的边界框（bounding box）。
Windows配置Yolov5环境全过程
qxl_799915的博客
10-29 2475
从头到尾完整搭建yolov5训练环境
Jetson Nano专用TensorRT8.2.3+ONNX Runtime GPU预编译包：JetPack4.6/YOLOv8/v11环境一键部署工具包
03-20
（1）提供tensorrt-8.2.3.0-cp38-none-linux_aarch64.whl和onnxruntime_gpu-1.16.0-cp38-cp38-...（2）支持YOLOv8/v11模型的TensorRT加速推理，集成ONNX模型转换工具链（ONNX→TensorRT引擎），提升推理速度3倍+‌。
yolov5 v8 v10 v11 免环境标注训练软件
最新发布
04-20
yolov5 v8 v10 v11 免环境标注训练软件 只为推广良心免费软件 目标检测训练 自动标注 yolov5 yolov8 yolov10 yolov11
YOLOv8/YOLOv11使用web界面推理自己的模型，Gradio框架快速搭建
在职AI算法工程师，擅长计算机视觉，YOLO目标检测、分割等，擅长web、pyqt界面可视化，好内容持续更新中，来这里跟大家一起学习，共同进步
10-15 1176
Gradio 是一个开源 Python 库，用于快速构建和共享机器学习模型的 Web 界面。开发者可以通过简单的 Python 代码将机器学习模型封装成交互式应用，无需复杂的设置即可在浏览器中使用自己训练好模型。接下来教你使用 Gradio 框架构建一个简单 Web 界面推理 YOLOv8/YOLOv11 模型
基于Yolov5环境配置详解（真的很方便很简单），java课程设计需求分析怎么写
2401_84183628的博客
04-08 1022
理了一份《2024年计算机毕业设计项目大全》，初衷也很简单，就是希望能够帮助提高效率，同时减轻大家的负担。**[外链图片转存中…(img-rnXfnN2B-1712570706429)][外链图片转存中…(img-lNyjvNdJ-1712570706430)][外链图片转存中…(img-iRrQY8sF-1712570706430)]
YOLOv5入门 | 环境配置模型训练完整教程（研0小白必备，手把手教学）
kay_545
05-08 4059
yolov5创新，yolov5环境配置，yolov8
通用的CUDA、cuDNN、anaconda、pytorch环境配置详细过程 - Windows / Ubuntu Linux (以YOLOv5模型安装配置为例)
Wontoner的博客
04-06 3万+
​相关项简介 CUDA（ComputeUnifiedDeviceArchitecture，统一计算架构）是一种由NVIDIA推出的通用并行计算架构，该架构使GPU能够解决复杂的计算问题。 cuDNN是基于CUDA的用于深度神经网络的GPU加速库，有了它才能在GPU上完成深度学习的计算。cuDNN是插入式设计，即所谓安装只需把cuDNN文件复制到CUDA对应文件夹就可以了。 Anaconda是一个用于科学计算的Python发行版，里面预装好了conda、某个版本的python以及一般......
yolo！！手把手教零基础学习系列(1)——配置环境
m0_66701835的博客
08-07 1497
目标检测：目标检测是计算机视觉中的一项重要任务，旨在从图像中识别出特定物体的类别和位置。YOLO特点：YOLO将目标检测问题转化为一个回归问题，通过单次前向传播，直接预测图像中所有目标的边界框和类别，从而实现快速且准确的目标检测。
基于Yolov5环境配置详解（真的很方便很简单）
热门推荐
不会拍照的博客
07-12 4万+
本文主要讲解了如何配置Yolov5的运行环境在竞赛期间接触了机器视觉，为了完成对各种垃圾的目标检测，我用了yolov5模型去实现。刚开始的配置环境的时候用了两周的时间，还会遇到各种报错；主要是版本问题，因为要对应Jeston nano的环境（也可能不需要对应）；如果只要给电脑配置环境就很简单了。
Yolo环境搭建（深度学习基础环境）
m0_73795841的博客
08-26 3768
深度学习的基础环境搭建，包括CUDA，cuDNN，torch安装，以及基础YOLO代码运行
怎么在新电脑上搭建yolo11环境
11-27
要在新的Windows或Linux电脑上搭建YOLOv11（You Only Look Once）环境，首先需要安装必要的软件和库。以下是步骤概述： 1. **安装Python基础**: - 下载并安装Python（建议版本3.x）。可以去Python官方网站下载最新稳定版。 2. **设置Python路径**: - 在环境变量PATH中添加Python的安装目录，以便系统能够识别Python命令。 3. **安装依赖库**: - 使用pip安装一些基本的库，如`torch`, `numpy`, `Pillow`, 和 `setuptools`等。运行以下命令： ``` pip install torch torchvision numpy pillow setuptools ``` 4. **选择深度学习框架**: - YOLOv11通常基于PyTorch。如果你还没安装，可以这样安装： ``` pip install torch torchvision ``` 5. **克隆YOLOv11源码**: - 从GitHub上克隆YOLOv11仓库： ``` git clone https://github.com/AlexeyAB/darknet.git cd darknet ``` 6. **构建YOLO模型**: - 进入darknet文件夹，修改Makefile（如果存在），将CUDA和cuDNN支持设置为你电脑上已有的。然后运行`make yolo11`命令编译模型。注意，这一步需要安装CUDA和cuDNN，以及相应的开发工具。 7. **配置网络训练数据**: - 创建一个包含训练图片和标签的数据集，并将其配置到darknet下的cfg文件（例如data.cfg）和labels.txt文件中。 8. **训练模型**: - 运行`./darknet detector train data.cfg yolov11.cfg weights/yolov11.weights -map yolov11_train_map.csv`，开始训练过程。这里假设已经下载了预训练权重`yolov11.weights`。 9. **验证和测试**: - 训练完成后，你可以使用`./darknet detector test data.cfg yolov11.cfg yolov11_final.weights`测试模型性能。
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