【YOLO】YOLO环境搭建（不定时更新）

引言

笔者YOLO专栏链接🔗导航：

1. 【YOLO】YOLO环境搭建（不定时更新）
2. 【YOLO】训练自己的数据集

笔者更新日期 : 2025.5.5
YOLOv11是Ultralytics公司在之前的YOLO版本上推出的最新一代实时目标检测器，支持目标检测、追踪、实力分割、图像分类和姿态估计等任务。（现在YOLO系列更新的速度越来越快，同样上手也更加容易了）
官方🔗：
YOLO11指导官方文档:https://docs.ultralytics.com/models/yolo11/
YOL011代码地址:https://github.com/ultralytics/ultralytics

笔者更新日期 : 2022.3.2--------------------------------------------------------（以下是过去的笔记，忽略！）
笔者一直都非常偏爱yolov5系列，因其非常友好，上手容易，兼容性也比较高（不会有很多苛刻的要求，尤其是对训练的硬件配置），从搭建环境到训练再到应用，都非常简便。让使用者更多的时间花在实际的应用场景的协调上和改进上。
yolov5的最新版本6.1
源码：https://github.com/ultralytics/yolov5/tree/v6.0

一些更新信息说明：https://github.com/ultralytics/yolov5/releases/tag/v6.0

1. YOLOv11

1.1 环境安装

环境搭建非常简单，只需要几行指令即可
参考链接🔗：YOLOv11入门到入土使用教程(含结构图)

conda create -n yolov11 python=3.9 -y
conda activate yolov11
pip install ultralytics -i https://pypi.tuna.tsinghua.edu.cn/simple/

以上即完成环境搭建！！
环境测试如下：

from ultralytics import settings
from ultralytics import YOLO
 
# View all settings
print(settings)
 
# Return a specific setting
value = settings["runs_dir"]
print(value)

终端输出：

JSONDict(“/home/jd/.config/Ultralytics/settings.json”):
{
“settings_version”: “0.0.6”,
“datasets_dir”: “/media/jd/4997BB1603CFE2C4/baijie/detection/yolov8/ultralytics/models/yolo/detect/datasets”,
“weights_dir”: “weights”,
“runs_dir”: “runs”,
“uuid”: “66057f2b3238eb31a8a58e002155b04436a39b61e818fae41d62683ffec27c3c”,
“sync”: true,
“api_key”: “”,
“openai_api_key”: “”,
“clearml”: true,
“comet”: true,
“dvc”: true,
“hub”: true,
“mlflow”: true,
“neptune”: true,
“raytune”: true,
“tensorboard”: true,
“wandb”: true,
“vscode_msg”: true
}
runs

1.2 快速体验

首先在官网下载好预训练权重
yolov11n
参考链接🔗：一篇文章快速认识YOLO11 | 关键改进点 | 安装使用 | 模型训练和推理

from ultralytics import YOLO
 
# 加载预训练的YOLOv11n模型
model = YOLO(r"weights_yolo/yolo11n.pt")
 
# 对'bus.jpg'图像进行推理，并获取结果
results = model.predict(r"test_image/test1.jpg", save=True, imgsz=640, conf=0.5)
 
# 处理返回的结果
for result in results:
    boxes = result.boxes       # 获取边界框信息
    result.show()              # 显示结果

2.YOLOv5-6.0环境安装

2.1 环境安装

1. x86_64系统架构

conda create -n yolov5-6 python=3.7
conda activate yolov5-6

官网的安装教程：

一般运行到下载torch会非常慢，所以最好单独先安装torch

笔者的安装指令流程如下：

git clone https://github.com/ultralytics/yolov5  # 1
cd yolov5  # 2
pip install -r requirements.txt  # 3

根据提示决定安装的版本，如上图所示
官网安装命令 https://pytorch.org/get-started/locally/

# 单独安装pythorch(gpu版本)
pip install torch==1.10.2+cu102 torchvision==0.11.3+cu102 torchaudio===0.10.2+cu102 -f https://download.pytorch.org/whl/cu102/torch_stable.html  # 4
# 再运行官方安装指令，此时安装就会快很多
pip install -r requirements.txt  # 5

2. arrch64系统架构
查看使用的操作系统架构

uname -a

查看NVIDIA边缘端设备（nano、tx2、xavier等）查看安装的jetpack版本

sudo apt-cache show nvidia-jetpack
# 或者用jtop工具查看
jtop

PyTorch for Jetson
官网链接：https://forums.developer.nvidia.com/t/pytorch-for-jetson/72048

Installing PyTorch for Jetson Platform 安装说明
链接：https://docs.nvidia.com/deeplearning/frameworks/install-pytorch-jetson-platform/index.html

JetPack SDK 链接：https://developer.nvidia.com/embedded/jetpack

3. 其他依赖库安装
若遇到其他的必要库下载很慢，则可以单独安装并使用镜像源

pip install xxx -i https://pypi.tuna.tsinghua.edu.cn/simple
pip install xxx -i https://pypi.douban.com/simple
# 然后再
pip install -r requirements.txt

requirements.txt的内容如下：

2.2 下载预训练模型

链接（拉到页面最底下）：预训练模型

2.3 推理

任意新建一个.py文件，写入如下的代码，在终端运行

import torch

# Model
model = torch.hub.load('ultralytics/yolov5', 'yolov5s')  # or yolov5m, yolov5x, custom
# Images
# img = 'https://ultralytics.com/images/zidane.jpg'  # or file, PIL, OpenCV, numpy, multiple
img = 'data/images/zidane.jpg'
# Inference
results = model(img)
# Results
results.print()  # or .show(), .save(), .crop(), .pandas(), etc.

显示结果为：

2.4 测试

--project指定保存路径；--weights指定测试模型

python detect.py --source data/images/zidane.jpg --weights v5_pre_models/yolov5s.pt --project out --img-size 640