Yolov11 pytorch环境搭建及测试全过程！

最新推荐文章于 2025-04-09 14:18:55 发布

阿吉niceeee

最新推荐文章于 2025-04-09 14:18:55 发布

阅读量5.2k

点赞数 35

文章标签： YOLO pytorch 人工智能目标检测目标跟踪

本文链接：https://blog.csdn.net/qq_62644798/article/details/143715408

版权

Yolov11 pytorch环境搭建及测试全过程

注：pytorch环境搭建适用于Yolo所有系列

一、Nvidia驱动更新

win+R打开搜索栏，输入cmd。
之后在控制台输入nvidia-smi即可查看CUDA Version，此处版本为cuda最高支持版本，安装cuda时不大于该版本即可。
若该版本较低，则去英伟达官网进行驱动更新
在这里插入图片描述
网址：NVIDIA GeForce 驱动程序 - N 卡驱动 | NVIDIA进入该官网后，自行搜索对应的驱动进行安装。
注：笔记本用户搜索安装时需下载后标有laptop的驱动程序。

驱动程序安装之后进行Anaconda安装

二、Anaconda安装

再进行驱动更新安装之后，进行Anaconda安装，该软件为环境管理软件，方便把运行yolov11所需的环境进行增添删改等操作若需了解更多，可查博客：anaconda的安装和使用（管理python环境看这一篇就够了）-CSDN博客。

打开该网站Download Anaconda Distribution | Anaconda，之后填入相应的Email Address地址，然后进行相应的系统以及版本选择，若需使用更低版本的python或者Anaconda，在该网站Index of /中选取下载即可。下载安装时注意选取相应的安装地址，不一定非得装在C盘，安装过程略。

安装完成后，在开始界面（按win键或者点击左下角）即可看见该选项

在这里插入图片描述

点击该选项：Anaconda Prompt（Anaconda）即可。

三、Pytorch安装

在进入之后，可以看到这样界面，在该界面进行操作。！！但是并非在该base环境下进行操作。

在这里插入图片描述

输入 conda env list即可查看电脑上所拥有的环境，除base外，其他环境需自行安装。

在这里插入图片描述

在这里，我们开阔一个新的虚拟环境：abc（你也可以取其他ID，任意取非中文即可）
创建虚拟环境指令：conda create -n abc python=3.12
其中，python版本以及虚拟环境名称都可以更改，根据自己喜好以及需求选择即可。输出该指令之后：

在这里插入图片描述

输入英文 y 即可进行下载安装。
在这里插入图片描述

下载安装之后，在该界面下继续输入conda env list 查看创建的虚拟环境abc：
在这里插入图片描述

之后，输入 conda activate abc 切入到该虚拟环境中：在这里插入图片描述

在该虚拟环境下，进行yolov11其需要的相关包的安装操作，下面需安装pytorch架构（Gpu版本）

（1）安装Pytorch

在安装Pytorch之前，因为Pytorch其相关服务器在国外，下载环境包较慢，我们可以给其换为清华源or其他源：
下面以清华源为例：

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/
conda config --set show_channel_urls yes

之后打开pytorch官网：PyTorch
在这里插入图片描述

在一开始我们可以看见我们显卡驱动最高支持cuda版本为12.6，因此在这里我们可以选择其中任意版本下载（若驱动cuda版本较低，则选择不大于驱动版本的驱动即可。）
！！此处Package需选择Conda，其默认为pip安装。

这里以12.4为例：
在这里插入图片描述

复制该红框中的指令，之后切到控制台abc虚拟环境下输入：
在这里插入图片描述

在输入后，回车，等待其加载结束·······（若结果出现错误，则把-c pytorch -c nvidia这一串去掉重试，别忘了切换虚拟环境abc）
在加载结束后，此处会询问y/n？输入y即可

在这里插入图片描述

输入y之后等待其安装完成之后即可，完成后显示done即pytorch环境安装成功。

下一步即可安装cuda+cudnn（这步可跳过，因为在pytorch中已经安装上相应版本的cuda）但若你在使用过程中单独需要用到，可进行该操作。

四、cuda+cudnn安装

声明：这步可以跳过，安装好的pytorch环境中有携带cuda版本的torch，无需再进行这步操作。
而其中CUDA Toolkit 与 torch.version.cuda 的关系可参考该博客详解Windows 11 上 CUDA 与 PyTorch 版本的兼容性-CSDN博客

下面进行实操步骤：

（1）安装cuda

首先，下载CUDA。官网下载地址：CUDA Toolkit Archive | NVIDIA Developer
根据你cuda的最高版本选择你所需的CUDA Toolkit进行下载，这里以CUDA Toolkit 12.4.0版本为例：

在这里插入图片描述

选择你所对应的操作系统以及版本，这里的local意为本地安装，选择该项即可，之后进行下载。

在这里插入图片描述

下载完成后，安装地址默认即可，然后安装中的选项，选择自定义安装，将其中的CUDA打勾即可，其他选项可不安装。

在这里插入图片描述

之后，安装结束后，win+R打开控制台，输入nvcc -V即可查看cuda是否安装成功，若出现该提示，则证明安装成功（我这里安装的是12.1）

在这里插入图片描述

（2）安装cudnn

cudnn版本需与cuda版本对应，其官网为cuDNN Archive | NVIDIA Developer
在此处选择与你所安装CUDA版本对应的cuDNN，例如安装为CUDA12.4，则选择第一个即可。

在这里插入图片描述

点开第一个后，选择你对应系统的选项，例如Local installer for windows进行下载，下载完成后，解压缩。
在这里插入图片描述

解压缩后，获得以下文件：

在这里插入图片描述

将该文件复制至你cuda所安装的路径，若无更改，默认路径为：C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.1
复制粘贴至该路径即可，然后进行环境变量更改。

（3）环境变量

右键此电脑，属性。

在这里插入图片描述

选择高级系统设置：

在这里插入图片描述

之后点击环境变量。

在这里插入图片描述

通常情况下，cuda安装好后，在系统变量中会出现CUDA_PATH路径，若无点击下方新建即可，名称即为CUDA_PATH，路径即为CUDA所在路径。

在这里插入图片描述

而在user的用户变量的Path中，并不会出现相应路径，点击新建，添加如图所示环境变量即可。

在这里插入图片描述

在所有环境变量设置好后，回到安装CUDA的目录，找到extras文件夹中的demo_suite。在上方输入cmd打开该文件夹。
在这里插入图片描述

之后在里面输入deviceQuery.exe，若显示pass则安装成功。
在这里插入图片描述

下一步，输入bandwidthTest.exe，若显示pass则安装成功。
在这里插入图片描述

至此，若没出现什么问题，则cuda与cudnn安装成功。

五、Pycharm环境应用

在搭建好上述环境后，我们可以在pycharm or vs中应用，这里选择Pycharm举例。

（1）安装Pycharm

进入该官网，下载PycharmPyCharm: the Python IDE for data science and web development

下载完成后，安装时将其选项全部勾上进行安装，安装完成后，汉化过程可自行百度。

（2）环境应用

方法一：
点击设置

在这里插入图片描述

选择该项目下的Python解释器，点击右侧的添加解释器。点击选项：添加本地解释器。

在这里插入图片描述

选择右侧的Conda环境，然后点击使用现有环境，在现有环境中点击搭建好的环境：abc（or 你命名的id）

在这里插入图片描述

然后点击应用即可。这样在Pycharm中就将搭建好的pytorch应用了。

（3）环境测试

在Pycharm中创建一个项目，可命名为环境测试，将其脚本中的代码删除，然后输入以下代码：

import torch
print(torch.cuda.is_available())
print(torch.backends.cudnn.is_available())
print(torch.backends.cudnn.version())
print(torch.__version__)

输入完成后，注意右下角是否为你所搭建的虚拟环境名称
在这里插入图片描述

之后运行该脚本。
若输出：
在这里插入图片描述

类似于该输出，则证明环境搭建成功！

六、Yolov11初步运行

（1）下载Yolov11代码：

Yolov11官网：GitHub - ultralytics/ultralytics: Ultralytics YOLO11 🚀

在该官网中，点击Download ZIP，下载该代码压缩文件，之后进行解压，将其用Pycharm打开。
在这里插入图片描述

（2）Yolov11对应的需求模块安装

打开解压缩后的代码之后，右下角选择对应环境，可以看到该项目的README文本，里面详细介绍了怎么下载其所需的requirements文件，以及相应的Python和Pytorch版本要求。相较于之前的Yolo系列不同的是，Yolov11并无实质的requirements文本

在这里插入图片描述
若需要安装其对应的模块的话，只需在控制台输入：
pip install ultralytics

之后将进行相应的模块需求安装，安装完成后会显示successfully··········

（3）简单运行测试

1.前提准备

在安装好环境后，可以进行简单的测试来看一下是否可以训练以及预测

！！！注：在进行测试前，需要将其中的num_workers==nw改为 num_workers=0
原因：num_workers是用来指定开多进程的数量，在Linux中可以用而在windows中不可用，会报RuntimeError: DataLoader worker (pid(s) ***, ***, ***, ***) exited unexpectedly错误。

操作：点击右上角搜索，搜索num_workers

在这里插入图片描述

点击num_workers=nw选项

在这里插入图片描述

在此处，将该参数改为0即可。

在这里插入图片描述

2.测试运行

测试运行时，为了方便快捷选择的数据集为coco8，该数据集运行下述代码后会自行安装

方式一：CLI方式
三种任选其一在终端运行即可。

yolo detect train data=coco8.yaml model=yolo11n.yaml epochs=100 imgsz=640
yolo detect train data=coco8.yaml model=yolo11n.pt epochs=100 imgsz=640
yolo detect train data=coco8.yaml model=yolo11n.yaml pretrained=yolo11n.pt epochs=100 imgsz=640

方式二：python脚本
该方式，在项目下新建一个python脚本将代码复制进去即可运行。

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.yaml")  # build a new model from YAML
model = YOLO("yolo11n.pt")  # load a pretrained model (recommended for training)
model = YOLO("yolo11n.yaml").load("yolo11n.pt")  # build from YAML and transfer weights

# Train the model
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)