最新版YOLOv12安装秘籍：让目标检测变得前所未有的简单（附与YOLOv8版本对比）

万里不留行

已于 2025-03-13 10:03:04 修改

阅读量1.1k

点赞数 10

分类专栏： YOLO 文章标签： YOLO 目标检测人工智能

于 2025-03-11 15:01:07 首次发布

本文链接：https://blog.csdn.net/weixin_43366149/article/details/146149436

版权

YOLO 专栏收录该内容

8 篇文章

订阅专栏

欢迎来到目标检测的新纪元！在实时对象识别领域，YOLO系列一直是革命性的存在，而最新版YOLOv12更是将这一技术推向了新的高度。想象一下，只需眨眼间，你的系统就能精准地识别并分类视频流中的每一个物体——无论是繁忙街道上的行人还是高速公路上飞驰的汽车。YOLOv12凭借其创新的区域注意力机制和优化的网络架构，不仅提升了检测精度，还显著加快了处理速度，使得实时应用更加流畅高效。无论你是致力于智能监控、自动驾驶，还是任何需要快速准确视觉分析的项目，本文将带你一步步揭开YOLOv12的神秘面纱，轻松完成安装配置，开启你的智能视觉之旅。准备好迎接前所未有的简单与强大了吗？

一、安装YOLOv12并配置环境

首先访问官网YOLOv12可以看到官网对YOLOv12的介绍和更新（挖个坑，后期我会更新更新的内容）

首先进入github官网下载YOLOv12，目前YOLOv12还是集成在YOLOv11里面，使用的时候只是更改网络文件和模型
注意：此处在使用时最好使用梯子

git clone https://github.com/ultralytics/ultralytics.git
cd ultralytics-main

我们在配置YOLOv12环境时最好使用conda虚拟环境，可以在CSDN上寻找conda的安装过程。

①我们先创建环境

conda create -n yolov12 python==3.11

点击y继续安装
②安装完成后进入环境,安装所需包

conda activate yolov12 
pip install ultralytics (如果报错pip不是内部指令可以尝试将pip换成pip3)

③CUDA版本查看
注意：此处为使用GPU进行训练时的操作，使用cpu版本可以直接跳到下一步
我们可以先使用nvidia-smi,查看自己的cuda版本（如果不是内部指令可以在CSDN查找cuda安装教程）
在这里插入图片描述
④pytorch安装
前往pytorch官网
在官网里面找到适配自己的版本，我此处以v2.2.1版本为例，红框里面的版本有多种，第一个是linux only 为linux专用，windows可以使用第二个第三个，具体使用哪个要看自己的cuda版本，我是12.6，11.8和12.1版本都可以使用最好是按照低于自己cuda版本的版本，如果自身版本过低，可以继续下拉寻找低版本的pytorch，CPU only 为cpu使用版本，适合没有显卡的用户使用。使用哪个版本直接复制下面那一行指令就行。
注意：由于是外网网站，下载很慢，可以使用梯子，或者在CSDN查找PIP换国内源
在这里插入图片描述
⑤查看包版本
下载完成后，我们可以查看我们conda虚拟环境里各个包的版本

conda list

在这里插入图片描述
我们主要查看torch的版本，如果带+cuxxx就是gpu版本没有就是cpu版本

⑥下载yolov12模型

进入官网
找到这一栏，点击蓝字下载对应模型，此处推荐YOLO12s 此处也需要梯子
在这里插入图片描述
⑦测试是否成功
此命令要在你下载的YOLOv12文件夹ultralytics-main内运行

无显卡驱动
yolo predict model=yolo12s.pt source='ultralytics/assets/bus.jpg' device=cpu

有显卡驱动(看扩展的部分，安装gpu版本torch才能运行)
yolo predict model=yolo12s.pt source='ultralytics/assets/bus.jpg' device=0

在这里插入图片描述
出现上图即为成功，结果保存在了红框内的文件夹

二、训练

①我们首先需要一个数据集

data
-images
-train
-val
-labels
-tramin
-val

我一般是这么分训练文件，images是图片，labels是txt文件
②创建训练文件夹
然后我们在ultralytics-main中创建一个data文件夹在data文件夹里创建一个data.yaml文件。
将下载的数据集也放在这个文件夹内

train : .\train\images\train	#训练数据集
val : .\train\images\val		#测试数据集
nc: 1								#names的数量
names : ["csm"] 		#训练的标签名

③训练命令
CLI命令（命令行指令）

#CPU训练
yolo train data=data/data.yaml model=yolo12s.pt epochs=300 imgsz=640 batch=8 workers=2 device='cpu'

#GPU训练
yolo train data=data/data.yaml model=yolo12s.pt epochs=300 imgsz=640 batch=8 workers=2 device=0

data：训练文件
model：模型文件
epochs：训练轮数
imgsz：训练图片尺寸
batch：一次放入图片的数量
workers：线程数量
device：训练设备（显卡默认0，多卡可以使用0,1,2…）

warning不用管
在这里插入图片描述
出现上图即为成功，红框为训练文件保存地址

③python文件运行

import warnings

warnings.filterwarnings('ignore')
from ultralytics import YOLO

if __name__ == '__main__':
    model = YOLO(r'.\ultralytics\cfg\models\12\yolo12.yaml')

    model.load(r'.\ultralytics-main\yolo12s.pt')

    model.train(data=r'.\data\data.yaml',
                epochs=300,
                batch=48,
                workers=8,
                device=0,

                )

三、遇到问题

①numpy包版本过高问题

pip uninstall numpy
pip install numpy==1.23.5

②libiomp5md.dll报错
OMP: Error #15: Initializing libiomp5md.dll, but found libiomp5md.dll already initialized.

进入conda文件夹内将yolov12文件夹内的libiomp5md.dll删除

四、与YOLOv8对比

相同数据集YOLOv8训练结果
请添加图片描述
YOLOv12训练结果

YOLOv8在训练到200多轮时，便因为性能提升过低暂停了。YOLOv12的训练轮数则是拉满了600轮，虽然YOLOv12前期 loss很高但是会快速下降，整个曲线也很平稳，precision和recall也更加的平稳向上。