【YOLOv11】最简单、易懂的YOLOV11环境配置

引言

YOLO(You Only Look Once)系列作为目标检测领域的标杆算法，其最新版本YOLOv11在精度和速度上都有了显著提升。本文将手把手教你完成YOLOv11开发环境的完整配置，无论是学术研究还是工业应用，都能快速上手。本文讲得是GPU版本的，当然我也不推荐使用CPU去训练，因为我做的是服创比赛的识别模型，使用3060的GPU去训练的话1200张训练500轮次就需要大概3-5小时，CPU的话就更慢了。因为我开始对于如何去配置开发环境也是走了很多弯路、找了很多资料，就想写一篇博客希望可以帮助到有需要的小伙伴。如果真的帮助到了大家，也希望大家可以点赞支持一下。

一、系统要求

硬件要求

• GPU：建议NVIDIA GTX 30系列及以上，显存6GB以上（因为本人使用的是3060显卡，显存8GB）

• 内存：建议16GB及以上

• 存储空间：至少100GB可用空间（这里因为储存空间不够的话训练几次后就会报错）

软件要求

• 操作系统：Windows 11（本人使用的，其它操作系统也有教程不过因为我自己是Windows11，所以只介绍这一种）

• Python版本：3.8或3.9（实测3.8.20 最稳定）

二、基础环境安装

1. Anaconda环境搭建

（1）为什么要安装Anaconda

• YOLO 通常依赖特定版本的 Python（如 Python 3.8/3.9），而不同项目可能需要不同版本的 Python 或库。

• Anaconda 允许创建独立的虚拟环境，避免与系统 Python 或其他项目冲突。

 （2）Anaconda的安装

        软件下载地址：清华镜像源

                        点击上方的“清华镜像源”，跳转到下载网页，选择这个版本点击下载。

        Step1：点击Next

Step2：点击Next

Step3：选择All Users，然后点击Next

 Step4：建议选择储存空间大于100G的盘（避免后续报错），然后新建一个名为“Anaconda”的文件夹（或者记住安装路径，待会要用到），选择这个文件夹点击Next

Step5：三个选项全选，然后点击Install

Step6：等待安装

Step7:安装完成后点击Next

 Step8：取消这一页的两个选项，点击Next

Step9：在桌面的搜索中输入“Anaconda”查看是否安装成功

Step10：继续配置环境变量，在桌面搜索中输入“环境变量”，然后打开

 Step11：点击环境变量

Step12：找到系统变量中的Path，点击编辑

Step13：找到Anaconda的安装路径（就是刚才建立的文件夹），找到下面这4个路径然后粘贴到环境变量中，最后如图二所示

D:\anaconda
D:\anaconda\Scripts
D:\anaconda\Library\bin
D:\anaconda\Library\mingw-w64\bin

Step14：验证是否配置成功，Win+R然后输入cmd在命令提示符中输入conda --version，如果出现如图所示版本号，则证明配置成功！

conda --version

  2.Pycharm的安装 

Step1：点击下方链接，往下翻选择社区版本，点击下载

Pycharm官网https://www.jetbrains.com/zh-cn/pycharm/download/?section=windows

Step2：下载完成后打开文件，点击“下一步”

Step3：这里选择自己的安装路径，建议和Anaconda一样建立一个新的文件夹，并且与Anaconda同盘

 Step4：全部打勾，然后“下一步”

Step5：点击“安装”

Step6：安装中........

 Step7：选择否，点击“完成”

Step8：在桌面双击安装好的Pycharm，点击“下一个”

Step9：点击“我接受”，然后“继续”

Step10：选择“不发送”

Step11：因为我的电脑里还安装了VsCode所以会自动弹出，直接选择跳过

Step12：OK，这样我们就安装好Pycharm了

 3.CUDA和cuDNN的安装

（1）查看自己电脑的cuda版本

下载cuda前需要先查看显卡支持的CUDA版本最高是多少，按下win+r键，输入cmd，在打开的页面输入：nvidia-smi ，即可查看。（如图我的是11.6版本）

（2）点击下方CUDA工具下载链接，从中选择自己的版本

CUDA下载链接https://developer.nvidia.com/cuda-toolkit-archive

Step1：例如我的是11.6版本，那么这三个中任选一个都可以

Step2：按下图方式选择，然后点击下载

Step3：打开刚才下载的安装程序，点击“OK”

 Step4：选择“同意”

Step5：选择“自定义”，然后“下一步”

Step6：全部打勾，然后“下一步”

Step7：继续“下一步”

Step8：下一步，然后关闭

Step9：查看是否安装成功，Win+R打开命令提示符，然后输入nvcc -V，如果出现如图所示，则证明安装成功

nvcc -V

 （3）安装cuDNN

cuDNN下载地址https://developer.nvidia.com/rdp/cudnn-archive

Step1：点击上方链接选择自己版本的cuDNN，例如我的是11.6就选择11.x版本

Step2：下载Windows的压缩包文件（需要登陆！！！！也可以直接选用Step3中的方式下载）

Step3：找到自己的cuDNN版本然后下载（我的是11.6） 

Step4：解压下载好的文件

Step5：将里面的文件复制到这个路径中C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.6  

三 、YOLO源码下载及配置

1.YOLOv11源码下载

YOLOv11源码地址https://github.com/ultralytics/ultralytics

Step1：选择下载zip文件

Step2：解压下载好的YOLO然后在Pycharm中打开

 Step3：在Step1打开的源码地址中往下翻找到训练文件，选择YOLO11n

Step4：将下载好的yolo11n.pt文件复制，然后在Pycharm中放到YOLO项目的根目录下

2.在Pycharm中配置自己的YOLO环境

（1）创建解释器

Step1：点击如图所示红框，选择“添加新的解释器”，然后点击“添加本地解释器”

Step2：环境选择“生成新的”，类型是“Conda” ，Python版本选择3.8！！！！，名称自己起，conda的路径在开始我们安装的Anaconda文件夹中，例如我的是

D:\Anaconda\condabin\conda.bat

最后点击确定。

Step3：生成好后右下角就变成了

Step4：在YOLO的根目录下新建一个requirements.txt文件

 Step5：将下面的内容粘贴到 requirements.txt文件中

# 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

Step6：会显示如下警告，这是因为还没有安装相关的依赖（不急跟着一步一步做，后面会安装）

  （2）安装PyTorch 

Step1：点击下方链接，进入PyTorch官网

PyTorch官网https://pytorch.org/

Step2：往下翻，点击“选择之前版本”

Step3：在这个界面中找到和自己CUDA版本相同的链接，比如我的是11.6，就复制这个链接

pip install torch==1.13.0+cu116 torchvision==0.14.0+cu116 torchaudio==0.13.0 --extra-index-url https://download.pytorch.org/whl/cu116

Step4：打开Pycharm，点击终端，选择Command Prompt

Step5：将刚才复制的链接，粘贴到终端中，点击回车，等待下载完成（大约要2GB）

Step6：现在开始下载那些依赖，打开 requirements.txt文件，下面会显示这些问题（如果没有显示可以点击右上角的黄色警告）

Step6：选择最上面的一个警告，然后鼠标右击，再点击“显示快速修复”

Step7：选择“安装软件包”，点击确定，然后Pycharm会帮你自动下载安装这些软件包

 Step8：安装完成后会显示“没有任何问题” （！！！！如果有一两个没有安装成功的话也没事，后面我们测试运行的时候会自动在右上角跳出来，然后点击安装即可）

（3） 测试是否配置成功

Step1：在项目的根目录下新建一个test.py文件

Step2：在test.py文件中复制粘贴下面的代码（模型路径和资源路径需要自己修改，方法在代码中已经提到）

import warnings

#from PyQt5.QtCore import showbase

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


if __name__ == '__main__':
    model = YOLO(r'D:\YOLOv11_plus\ultralytics-main\yolo11n.pt')#复制自己的yolo11n.pt路径
    model.predict(source=r'D:\YOLOv11_plus\ultralytics-main\ultralytics\assets\bus.jpg',#选择自己的图片路径，YOLO项目的ultralytics-main\ultralytics\assets文件夹中有两张测试图片，自己复制路径，粘贴到这里即可
                  imgsz=640,
                  project='XSQ/result',#结果保存路径，可自行修改
                  name='exp',
                  save=True,
                  conf=0.2,
                  iou=0.7,
                  show=True,
                )

Step3：运行test.py文件，出现下图所示结果证明环境配置已完成

总结：

关于YOLOv11的 环境配置到此已经完成，遇到问题可在评论区留言，附上错误日志和系统环境。希望感兴趣的小伙伴可以点赞+收藏支持一下！！！关注作者后续更新更多YOLOv11实战教程哦！