不同YOLO模型在pytorch环境中训练

紧接配置好pytoch环境，具体的使用基础yolo模型，完成这步之后就可以用自己的数据训练模型和修改模型。

作者的做法是将yolo算法的ultralytics包在本地使用，不需要频繁的在github上拉取，更适合拆拿的牛马研究生使用。

 1.准备工作

        进入GitHub - ultralytics/ultralytics: Ultralytics YOLO11 🚀，该网站为ultralytics的官方给出的github链接（另外给出ultralytics的主页链接方便学习：Ultralytics | 革新视觉人工智能世界），按照下面图片下载yolo的压缩包，自行解压。

        创建python项目，按照下面红框中选中的内容进行选择，custom enviroment(自定义的环境)->select existing(选择现存环境)->选择Conda->最后选择自己配置好的pytorch环境。

2.开始项目

        将yolo压缩包中的ultralytics文件复制，粘贴到自己项目的根目录下，这个文件包含了我们需要的模型

检查：在项目的根目录下创建.py文件，输入如下代码检测pytorch环境是否可用、ultralytics包是否是引用自根目录下的ultralytics包:

import torch
import ultralytics

print(torch.cuda.is_available())   #检查torch环境
print(ultralytics.__file__)        #检查ultralytics包是否是自己复制过来的包

若输出True和自己项目根目录下的ultralytics\__init__.py则证明成功。

开始使用模型，在python文件中输入下面代码，运行完成控制台的显示如下，会自动下载yolo11n.pt文件，并且将识别的图片保存在runs\detect\predict文件下（后续的训练生成的模型等等均保存在该目录下）：

from ultralytics import YOLO

model = YOLO('yolo11n.pt')       #使用官方的yolo11n基础模型，运行后会自动下载
                                 #并在根目录下生成yolo11n.pt文件

model('zidane.jpg',show=True,save=True)  #用模型识别经典的齐达内照片,并保存

3.总结

这样做的好处是，只要配置好环境，在官网下载好最新的utralytics包并保证留了备份后，可以灵活的自己修改模型，并且项目也是完全是自己的东西。