Yolo11环境配置win+Python+Anaconda--小白目标检测学习专用（超详细）

羽小暮

已于 2025-03-07 13:15:06 修改

阅读量2w

点赞数 67

文章标签： yolo YOLO 人工智能目标检测

于 2024-10-13 18:02:19 首次发布

本文链接：https://blog.csdn.net/qq_62078354/article/details/142899396

版权

本文基于Anaconda和Pycharm已经安装

一、下载Yolo11的源代码

1.云盘链接 (无需加速 yolov11的版本为8.3.11 24年10月上传)

包括yolov11n.pt的文件一并下载

云盘链接 yolo11的123云盘链接

2.GitHub官方链接（需要加速）

GitHub - ultralytics/ultralytics: Ultralytics YOLO11 🚀

没有加速方法的话可以下载下面这个加速器，加速Github（steam也能加速哟）

瓦特工具箱(Steam++官网) - Watt Toolkit (steampp.net)

点击官网的那个【绿色Code按钮】再点击【Download ZIP】进行下载

下载得到一个压缩包，把它解压到你的电脑上的文件夹里就行了

官网往下滑点击YOLO11n下载

3.把yolo11n.pt文件放到yolo项目的根目录里

二、部署环境

1.打开Anaconda软件

点击左侧的【Environments】

2.创建环境

点击软件下方的【Create】

Name是环境的名称，用英文，比如yolo

Location是环境保存的路径

Packages这里选Python，版本选择3.10的

点击【Create】然后等待下载完成就行了

3.运行环境

直接点yolo旁边的【绿按钮】，再点击弹出来的【Open Terminal】就会打开环境终端了，接下来的操作都在这个黑框框里进行

终端如下

4.安装必要的包

注意：如果你下载包很慢

如果下载失败或者非常慢，正常pytorch的包预计一分钟内下完，如果确定你的本地网络没问题的话，就看下一步配置清华大学镜像源

以下两个命令选其一在终端进行

如果只是临时下载一个包，可以执行：（一次性使用）

pip install -i https://pypi.tuna.tsinghua.edu.cn/simple　包名

如果不想每次都添加的话，可以永久修改，这样不用每次都加辣莫长的网址了

pip install pip -U
pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple

4.1安装Torch

点击打开官网：PyTorch

4.1.1【GPU版本】

（重要：你的电脑装载了英伟达的显卡，比如RTX3060）

打开官网网址，往下滑，找到如图位置，可以按我图中的选

版本就选最新版就可以，比如Stable（2.5.0）的

（想使用老版本的可以点击左下角的【Previous versions of PyTorch】）

最后复制【Run this Command】的代码到你的环境终端（就那个黑框框）回车运行就开始下载安装了

安装结束后

验证GPU版本的PyTorch是否成功安装

（顺手创建个py文件复制下面代码运行一下就行）

运行这个之前你要先把整个环境配置好，马上了 OvO

import torch                        # 如果pytorch安装成功即可导入


print(torch.__version__)            # 查看pytorch版本
print(torch.cuda.is_available())    # 查看CUDA是否可用
print(torch.cuda.device_count())    # 查看可用的CUDA数量
print(torch.version.cuda)           # 查看CUDA的版本号

如果输出true就可以了

4.1.2【CPU版本】

（重要：如果你的电脑没有独立显卡选这个版本，CPU跑代码会很慢）

打开官网网址，往下滑，找到如图位置，可以按我图中的选

版本就选最新版就可以，比如Stable（2.5.0）的

（想使用老版本的可以点击左下角的【Previous versions of PyTorch】）

最后复制【Run this Command】的代码到你的环境终端（就那个黑框框）回车运行就开始下载安装了

（下载ing...）

4.2安装其他依赖包

在终端上输入cd命令转到你的yolo11项目的文件路径

如果不在C盘就先转到其他盘如D盘就是D: E盘就是 E: 然后回车

D:

再输入 cd 你的yolo项目路径（我这里用我的C盘目录举个栗子）

cd C:\Users\11131\Desktop\DeepLearn\yolov11

在这个yolo的项目路径新建一个文本文档，如requirements.txt

把下面的代码复制进去保存关闭文本

# Base ------------------------------------------------------------------------
gitpython>=3.1.30
matplotlib>=3.3
numpy>=1.23.5
opencv-python>=4.1.1
pillow>=10.3.0
psutil  # system resources
PyYAML>=5.3.1
requests>=2.32.2
scipy>=1.4.1
thop>=0.1.1  # FLOPs computation
torch>=1.8.0  # see https://pytorch.org/get-started/locally (recommended)
torchvision>=0.9.0
tqdm>=4.66.3
ultralytics>=8.2.34  # https://ultralytics.com
# protobuf<=3.20.1  # https://github.com/ultralytics/yolov5/issues/8012

# Logging ---------------------------------------------------------------------
# tensorboard>=2.4.1
# clearml>=1.2.0
# comet

# Plotting --------------------------------------------------------------------
pandas>=1.1.4
seaborn>=0.11.0

# Export ----------------------------------------------------------------------
# coremltools>=6.0  # CoreML export
# onnx>=1.10.0  # ONNX export
# onnx-simplifier>=0.4.1  # ONNX simplifier
# nvidia-pyindex  # TensorRT export
# nvidia-tensorrt  # TensorRT export
# scikit-learn<=1.1.2  # CoreML quantization
# tensorflow>=2.4.0,<=2.13.1  # TF exports (-cpu, -aarch64, -macos)
# tensorflowjs>=3.9.0  # TF.js export
# openvino-dev>=2023.0  # OpenVINO export

# Deploy ----------------------------------------------------------------------
setuptools>=70.0.0 # Snyk vulnerability fix
# tritonclient[all]~=2.24.0

# Extras ----------------------------------------------------------------------
# ipython  # interactive notebook
# mss  # screenshots
# albumentations>=1.0.3
# pycocotools>=2.0.6  # COCO mAP

在终端中运行

pip install -r requirements.txt

三、运行项目

1.打开项目

右键你的yolo根目录文件夹，点击Open Folder as Pycharm...

通过Pycharm打开整个项目

2.更换解释器

先点击右下角【无解释器】，然后添加新的本地解释器

没有Conda可执行文件的话就点浏览，寻找Anaconda软件目录下的condabin文件夹里的conda.bat然后点击【加载环境】

选择我们刚才创建的yolo环境就行了

3.验证运行

在yolo根目录新建val.py文件,并复制以下代码进行运行

from ultralytics import YOLO

if __name__ == '__main__':

    # 加载模型
    model = YOLO(model=r'yolo11n.pt')
    # 进行推理
    model.predict(source=r'ultralytics/assets/bus.jpg',     # source是要推理的图片路径这里使用yolo自带的图片
                  save=True,    # 是否在推理结束后保存结果
                  show=True,    # 是否在推理结束后显示结果
                  project='runs/detect',  # 结果的保存路径
                  )

运行成功的话结果如下：

至此环境配置完成

四、如何训练以及数据集配置

1.训练代码

在yolo11的根目录创建一个新的train.py的文件，把以下代码内容进入train.py

其中，data是你数据集的配置文件路径

from ultralytics import YOLO

if __name__ == '__main__':
    # 记录训练开始时间
    start_time = datetime.now()

    model = YOLO(model=r'yolo11n.pt')   # .pt类型的文件是从预训练模型的基础上进行训练
    # model = YOLO(model=r'ultralytics/cfg/models/11/yolo11s.yaml')  # .yaml文件是从零开始训练，后缀n s x等是不同参数的模型，看具体应用场景

    # 开始训练
    model.train(data=r'D:\填入数据集yaml文件的地址\文件名.yaml',  # 填入训练数据集配置文件的路径
                imgsz=640,  # 该参数代表输入图像的尺寸，指定为 640x640 
                epochs=200,  # 该参数代表训练的轮数，默认100
                # 但一般对于新数据集，我们还不知道这个数据集学习的难易程度，可以加大轮数，例如300，来找到更佳性能

                batch=-1,  # 每个批次中的图像数量。在训练过程中，数据被分成多个批次进行处理，每个批次包含一定数量的图像。
                # 这个参数确定了每个批次中包含的图像数量。特殊的是，如果设置为-1，则会自动调整批次大小，至你的显卡能容纳的最多图像数量。

                workers=8,  # 该参数代表数据加载的工作线程数，出现显存爆了的话可以设置为0，默认是8

                device='0',  # 该参数代表用哪个显卡训练，0是GPU  CPU就是直接写CPU

                resume=False,  # 该参数代表是否从上一次中断的训练状态继续训练。设置为False表示从头开始新的训练。如果设置为True，则会加载上一次训练的模型权重和优化器状态，继续训练。

                name='yolo_res',  # 该参数代表保存的结果文件夹名称（文件保存在上面project路径里）
                )

训练的参数详解可以看这位大佬写的（写的非常非常好）yolov8和v11的参数基本都一样

YOLOv8训练参数详解（全面详细、重点突出、大白话阐述小白也能看懂）-CSDN博客

2.数据集配置文件的创建

假设你的数据集名字为"person_dataset"，那么它的子文件夹应如下创建（除了Readme.txt是作者自己乱写的，实际不需要）.yaml文件就是数据集的配置文件

为了方便使用，写成如下内容：train和val不需要更改，test可选用，nc代表你数据集有多少类别，比如person, cat, dog这是三个类别，nc后填3，那么names后面也要写上这三个类别

# train and val data as 1) directory: path/images/, 2) file: path/images.txt, or 3) list: [path1/images/, path2/images/]
train: images/train
val: images/val
test:

# number of classes
nc: 1

# class names
names: ["目标检测的类别名字"]

images和labels文件里的子文件夹名字都有两个并且只有名字是一样的如下：

train（训练集）和val（验证集）里存放各自的图片和标签，一般val只需存放数据集总量的15%-20%，剩下的都放置在训练集里

3.训练结果图的参数介绍

最重要的指标：metrics/mAP50(B) 和 metrics/mAP50-95(B) 是评估模型性能的核心指标，直接反映了模型在目标检测任务中的表现。
重要的损失指标：train/box_loss、train/cls_loss、train/dfl_loss、val/box_loss、val/cls_loss、val/dfl_loss 反映了模型在训练和验证过程中的表现。
次要指标：epoch、time、lr/pg0、lr/pg1、lr/pg2 主要用于监控训练过程和调试。