适合小白的超详细yolov12环境配置+实例运行教程，从零开始教你如何使用yolov12训练自己的数据集（Windows+conda+pycharm）

爱编程的小凯同学

已于 2025-02-21 19:24:23 修改

阅读量4.5k

点赞数 9

文章标签： YOLO

于 2025-02-21 15:23:54 首次发布

本文链接：https://blog.youkuaiyun.com/2301_79954314/article/details/145778254

版权

大家好，今天要给大家介绍的是2025年2月19日最新发布的目标检测模型——YOLOv12。相信关注计算机视觉和深度学习的小伙伴们都已经听说过YOLO系列，作为目标检测领域的“老牌明星”，YOLO每次更新都会带来不少惊喜。那么，新鲜出炉的YOLOv12，它到底有哪些亮点呢？今天，就让我们一起来深入了解一下！

一、YOLOv12论文信息

论文题目：YOLOv12: Attention-Centric Real-Time Object Detectors

论文链接：https://arxiv.org/abs/2502.12524

代码链接：https://github.com/sunsmarterjie/yolov12

二、环境配置

网上都有，推荐新手下载python3.11版本的。有想要长期训练自己代码能力的推荐使用Anaconda
安装教程网上都有，不要听网上的人使用清华源，什么源的全是有问题的，最好是慢慢下载，用源下载的后续出问题自己负责
在pycharm中使用Anaconda的步骤

1、pycharm创建解释器

1、点击右下角的解释器

2、新建解释器
3、添加本地解释器

4、取名最好取一个自己知道这是关于什么项目的python解释器名字

5、下拉框选择python版本

2、cmd创建python环境

conda create -n yolov12 python=3.11
conda activate yolov12
pip install -r requirements.txt
pip install -e .

三、安装requirements环境

安装requirements.txt文件，尾缀加上清华源下载会快

下载之前，由于我们的系统是win系统，下面的whl文件无法直接下载，txt里把whl文件加上#或者删除这一行，优先选用下载代码

//不加清华源

pip install -r requirements.txt

//加清华源

pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

Ultralytics YOLO12 默认不需要FlashAttention。不过，FlashAttention 可以选择与 YOLO12 一起编译和使用。要编译 FlashAttention，需要以下NVIDIA ®）图形处理器

本人下载的是

flash_attn-2.5.9.post2+cu122torch2.3.1cxx11abiFALSE-cp311-cp311-win_amd64.whl

分别是：CUDA 版本：12.2 PyTorch 版本：2.3.1 Python 版本：3.11 操作系统：Windows 64-bit

想和我下载一样的PyTorch 版本：2.3.1
pip install torch==2.3.1 torchvision==0.18.1 torchaudio==2.3.1 --index-url https://download.pytorch.org/whl/cu121

！！真心提醒别用清华源下载pytorch，因为清华源下载的不一定GPU哦，关于pytorch使用GPU好还是CPU好请去网上询问以及为什么pytorch要用GPU版本

此时whl文件需要留意是属于适配于自己的环境，其中文件名称【flash_attn-2.7.3+cu11torch2.2cxx11abiFALSE-cp311-cp311-win_x86_64.whl】的具体含义为需要适配CUDA 11、PyTorch 2.2、python3.11

查看CUND版本：CUDA学习（一）——如何查看自己CUDA版本？_cuda version-优快云博客https://blog.youkuaiyun.com/bruce_zhao1407/article/details/109580835

查看Pytorch版本：Windows下查看安装的PyTorch版本的两种方法_如何查看pytorch版本-优快云博客https://blog.youkuaiyun.com/weixin_43401024/article/details/129650045

下载的whl文件放在yolov12的根目录下

//这个whl文件是我下载的文件，需根据你下载的whl文件名进行更改

pip install flash_attn-2.5.9.post2+cu122torch2.3.1cxx11abiFALSE-cp311-cp311-win_amd64.whl

四、开发环境中安装 Python 包的命令，用于开发和调试阶段

pip install -e

五、开始训练

下面展示 train.py 代码

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


if __name__ == '__main__':

    model = YOLO(r'D:\python\yolov12\datasets\yolov12.yaml')
    # 代表使用yolov12的神经网络结构
    # model.load(r'D:\python\yolov12\yolov12n.pt')
    # 代表使用yolov12n的预训练权重
    model.train(data=r'D:\python\yolov12\datasets\data.yaml', # 数据集yaml路径
                epochs=300, # 训练300轮
                batch=4, # 每一批样本的数量
                workers=0, # 同时32个线程
                project=r'D:\python\yolov12',
                name='yolov12n',
                )

六、yolov12提供了使用 TensorRT-YOLO 在 NVIDIA 设备上加速 YOLOv12 推理

！！！需注意ultralytics >= 8.3.78！！！

1、下面提供从 `.pt` 格式转换为 ONNX 格式，准备进行后续的 TensorRT 优化

trtyolo export -w yolov12n.pt -v ultralytics -o ./ -b 1 -s

2、将 ONNX 格式的 YOLOv12 模型（`yolov12n.onnx`）转换为 TensorRT Engine 格式

trtexec --onnx=yolov12n.onnx --saveEngine=yolov12n.engine

3、或者不用1、2命令行进行修改，改用py文件代码进行转换格式

from ultralytics import YOLO
model = YOLO('yolov12{n/s/m/l/x}.pt')
model.export(format="engine", half=True) # 或者 format="onnx"

4、正式TensorRT+YOLO进行推理代码

下面展示 detect_TensorRT.py 代码

import cv2
from tensorrt_yolo.infer import InferOption, DetectModel, generatelabels, visualize

def main():
# 初始化
option = InferOption()
option.enableswaprb() # 将BGR转换为RGB

# 加载模型
model = DetectModel(engine_path="yolo12n-with-plugin.engine", option=option)

# 读取输入图像
input_img = cv2.imread("testimage.jpg")
if input_img is None:
raise FileNotFoundError("加载测试图像失败。")

# 推理过程
detection_result = model.predict(input_img)
print(f"==> 检测结果: {detection_result}")

# 可视化结果
class_labels = generate_labels(labelsfile="labels.txt")
visualized_img = visualize(image=input_img, result=detection_result, labels=class_labels)
cv2.imwrite("visimage.jpg", visualized_img)

# 模型克隆示范
cloned_model = model.clone()
cloned_result = cloned_model.predict(input_img)
print(f"==> 克隆模型结果: {cloned_result}")

if __name__ == "__main__":
main()

疑难解惑

1、tensorrtyolo是什么

如果您希望获取最新的开发版本或者为项目做出贡献，可以按照以下步骤从 GitHub 克隆代码库并安装：请看md文件

通过pip安装 tensorrt_yolo 模块，您只需执行以下命令即可：
pip install -U tensorrt_yolo