YOLOv11 环境配置与使用指南

YOLOv11 环境配置与使用指南

一、下载YOLOv11代码

官方代码仓库位于：ultralytics/ultralytics: Ultralytics YOLO11 🚀

git clone https://github.com/ultralytics/ultralytics.git

版本号可以在ultralytics/init.py中的__version__找到。本实验环境:python: 3.8、torch: 2.2.2+cu121、torchvision: 0.17.2+cu121。

二、创建虚拟环境

首先，创建一个新的conda环境，并激活它：

conda create -n your_env_name python=3.8  # 替换your_env_name 为你想命名的环境名
conda env list #查看虚拟环境
conda activate your_env_name #激活虚拟环境

三、安装CUDA 12.1版pyTorch（GPU版）

3.1在激活的环境中运行以下命令来安装PyTorch及其依赖项：

conda install pytorch==2.2.2 torchvision==0.17.2 torchaudio==2.2.2 pytorch-cuda=12.1 -c pytorch -c nvidia

3.1验证安装

import torch
print(torch.__version__)          # 应输出 2.2.2
print(torch.cuda.is_available())  # 应输出 True

四、安装YOLOv11基础环境包

4.1安装依赖

# 在代码根目录执行
pip install -e .

如果已经安装ultralytics库之后，请先卸载ultralytics库（请确保卸载干净），再执行pip install -e .

pip uninstall ultralytics #卸载ultralytics库
如果出现WARNING: Skipping ultralytics as it is not installed.证明已经卸载干净。
pip install -e .

五、构建数据集

5.1目录结构

my_data/
└── e-bike/
    ├── train/
    │   ├── images/
    │   └── labels/
    ├── valid/
    │   ├── images/
    │   └── labels/
    └── test/
        ├── images/
        └── labels/

5.2YOLO标签格式（YOLOv11模型的训练需要原图像及对应的YOLO格式标签）
每张图片对应一个 .txt 文件，内容格式：类别_id x_center y_center width height（归一化坐标）。
5.3数据集文件配置（data.yaml）

train: my_data/e-bike/train/images
val: my_data/e-bike/valid/images
test: my_data/e-bike/test/images
nc: 2# 类别数
names: ['motoycar', 'e-bike']

六、训练模型

1. 创建或编辑train.py脚本：

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

if __name__ == '__main__':
    model = YOLO('yolo11n.yaml')#怎么切换模型版本, ymal文件可以改为 yolov11s.yaml就是使用的v11s,
    # model.load('yolov11n.pt') # 是否加载预训练权重,不建议加载
​    model.train(data=r"填写你数据集data.yaml文件的地址",
​                cache=False,
​                imgsz=640,
​                epochs=100,
​                single_cls=False,  # 是否是单类别检测
​                batch=4,
​                close_mosaic=0,
​                workers=0,
​                device='0',
​                optimizer='SGD', # using SGD 优化器
                # resume=, # 续训的话这里填写True, yaml文件的地方改为lats.pt的地址,需要注意的是如果你设置训练200轮次模型训练了200轮次是没有办法进行续训的.
​                amp=True,  # 如果出现训练损失为Nan可以关闭amp
​                project='runs/train',
​                name='exp',
​                )

七、模型推理

当前目录下新建detect.py，代码如下：

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

if __name__ == '__main__':
    model = YOLO('runs/train/exp/weights/best.pt') # 训练好的模型（best.pt）
    model.predict(source='images', #需要推理的图片路径
                imgsz=640,
                device='0',
                )

以上就是YOLOv11从环境搭建到模型训练再到最后推理的完整流程。希望这份指南能帮助您顺利完成工作。