YOLO-从环境配置到ONNX模型输出（超详细，纯小白向）

D777777777777

于 2025-07-09 11:25:27 发布

阅读量1k

点赞数 12

CC 4.0 BY-SA版权

文章标签： YOLO python 神经网络深度学习计算机视觉物联网机器学习

本文链接：https://blog.youkuaiyun.com/D777777777777/article/details/149219459

在这里插入图片描述
推荐阅读WIKI：
https://wiki.seeedstudio.com/real_time_yolo_object_detection_using_recamera_based_on_cpp/
Github源码库
https://github.com/Seeed-Studio/OSHW-reCamera-Series
内含超多AI Sensing相关资料，欢迎关注和讨论！将视觉检测算法真正部署于终端，将你的idea应用于生活。

在本地电脑上配置深度学习环境

一、配置Conda环境

使用虚拟环境进行任务运行是非常重要的，既能保护主机，又能避免不同的软件包之间冲突>

Windows 下载Anaconda

有两种下载方式一是官网下载，二是镜像下载。官网下载太慢一般都是用镜像下载
1.官网下载：conda官网（Download Anaconda Distribution | Anaconda）
https://www.anaconda.com/download
在这里插入图片描述

2.镜像下载：清华开源镜像
https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/
在这里插入图片描述

安装Anaconda

注意事项：
1.选择为所有用户授权
在这里插入图片描述

配置环境变量

将如下路径添加到系统path，这里的路径为前面anaconda的安装路径，我的安装路径为E:\anaconda3，如果不同替换为自己的安装路径即可

E:\ANACONDA
E:\ANACONDA\Scripts
E:\ANACONDA\Library\mingw-w64\bin
E:\ANACONDA\Library\bin

在系统搜索栏，搜索“系统属性”，选择系统变量path，点击编辑，点击新建

在这里插入图片描述

检查是否配置成功

win+r 然后输入cmd打开终端页面，输入下边几条指令
conda --version
conda info

在这里插入图片描述

Linux 下载Anaconda

在Linux系统上安装完整的Anaconda（而不是Miniconda）的步骤如下：

下载Anaconda安装脚本

访问 Anaconda官方下载页面获取最新的Linux安装脚本链接，或者直接使用以下命令下载.官网的最新版本可以向下兼容低等级的Python,如果想下载旧版本可以前往上文的清华源镜像站。

wget https://repo.anaconda.com/archive/Anaconda3-2025.06-0-Linux-x86_64.sh

请根据你的需求选择合适的版本。

运行安装脚本
下载完成后，运行安装脚本：

bash Anaconda3-2025.06-0-Linux-x86_64.sh

阅读并接受许可协议
安装脚本会显示许可协议，按 Enter 键滚动阅读，然后输入 yes 接受协议。
选择安装路径
安装程序会提示你选择安装路径。默认路径是 ~/anaconda3，你可以按 Enter 使用默认路径，或指定其他路径。
初始化Anaconda
安装完成后，安装程序会询问是否要初始化Anaconda。输入 yes，这样Anaconda会自动将路径添加到你的 ~/.bashrc 文件中。
Do you wish the installer to initialize Anaconda3 by running conda init? [yes|no] [no] >>> yes
激活Anaconda
为了使更改生效，你需要重新加载 ~/.bashrc 文件：

source ~/.bashrc

验证安装
你可以通过以下命令验证Anaconda是否安装成功：

conda --version

如果安装成功，会显示Conda的版本号。

二、配置CUDA环境

创建虚拟环境

创建虚拟环境:

conda create --name tensorflow python=3.11

tensorflow可以改成你想要的名字
Python的版本也可以修改

查看环境列表：

conda env list

激活环境:

conda activate (输入你的环境名字)

之后的环境配置统一进入虚拟环境再按 conda install 来下载

Pytorch,CUDA,Python版本兼容表

在这里插入图片描述

CUDA配置

在下载CUDA与Torch之前，先查看显卡驱动
终端输入：

nvidia-smi

在这里插入图片描述

进入英伟达官网选择适合的版本
https://developer.nvidia.com/cuda-toolkit-archive

Windows CUDA

在这里插入图片描述

之后执行exe文件安装就好

在这里插入图片描述

选择安装位置接着下一步,默认即可，但是要记住这个地址，下面手动配置环境变量要用到。
在这里插入图片描述

之后在系统配置环境变量
在这里插入图片描述

终端输入来检测是否安装成功

nvcc -V

在这里插入图片描述

Linux CUDA

在Nvidia Toolkit官网下载时选择Linux runfile选项

在这里插入图片描述

执行下面两行代码，进行下载与运行

wget https://developer.download.nvidia.com/compute/cuda/12.4.0/local_installers/cuda_12.4.0_550.54.14_linux.run
sudo sh cuda_12.4.0_550.54.14_linux.run

终端输入来检测是否安装成功

nvcc -V

在这里插入图片描述

三、配置Pytorch环境

进入pytorch官网选择合适的版本下载（查看前面的版本对照图）
官网地址：https://pytorch.org/
我们选用合适自己电脑配置的指令进行下载，我使用的是Python3.11, CUDA 12.4 所以要转到先前版本里面下载。

在这里插入图片描述

# Windows 与 Linux 通用
# CUDA 11.8
conda install pytorch==2.5.1 torchvision==0.20.1 torchaudio==2.5.1  pytorch-cuda=11.8 -c pytorch -c nvidia
# CUDA 12.1
conda install pytorch==2.5.1 torchvision==0.20.1 torchaudio==2.5.1 pytorch-cuda=12.1 -c pytorch -c nvidia
# CUDA 12.4
conda install pytorch==2.5.1 torchvision==0.20.1 torchaudio==2.5.1 pytorch-cuda=12.4 -c pytorch -c nvidia
# CPU Only
conda install pytorch==2.5.1 torchvision==0.20.1 torchaudio==2.5.1 cpuonly -c pytorch

查看版本以下图为例，torch版本为2.1.2+cu121，cu121即表示支持cuda12.1的torch版本

python
import torch
print(torch.__version__)
print(torch.cuda.is_available())

在这里插入图片描述

四、配置YOLO环境

此章节以Yolov8为例进行讲解，但适应于所有yolo算法，只需修改指令命令行指向的模型即可。

#启动虚拟环境 查看环境配置
conda activate yolov8 (yolov8换成你的环境名字)
conda list

Yolov8所需的函数库如下:
对照自己缺少的库，进行conda install 进行安装。

# Ultralytics requirements
# Usage: pip install -r requirements.txt

# Base ----------------------------------------
matplotlib>=3.2.2
numpy>=1.22.2 # pinned by Snyk to avoid a vulnerability
opencv-python>=4.6.0
pillow>=7.1.2
pyyaml>=5.3.1
requests>=2.23.0
scipy>=1.4.1
torch>=1.7.0
torchvision>=0.8.1
tqdm>=4.64.0

# Logging -------------------------------------
# tensorboard>=2.13.0
# dvclive>=2.12.0
# clearml
# comet

# Plotting ------------------------------------
pandas>=1.1.4
seaborn>=0.11.0

# Export --------------------------------------
# coremltools>=6.0,<=6.2  # CoreML export
# onnx>=1.12.0  # ONNX export
# onnxsim>=0.4.1  # ONNX simplifier
# nvidia-pyindex  # TensorRT export
# nvidia-tensorrt  # TensorRT export
# scikit-learn==0.19.2  # CoreML quantization
# tensorflow>=2.4.1  # TF exports (-cpu, -aarch64, -macos)
# tflite-support
# tensorflowjs>=3.9.0  # TF.js export
# openvino-dev>=2023.0  # OpenVINO export

# Extras --------------------------------------
psutil  # system utilization
py-cpuinfo  # display CPU info
# thop>=0.1.1  # FLOPs computation
# ipython  # interactive notebook
# albumentations>=1.0.3  # training augmentations
# pycocotools>=2.0.6  # COCO mAP
# roboflow

安装完配置文件在安装一下yolov8在python>=3.8版本必要安装包

pip install ultralytics

在Ultralytics官网下载模型权重文件
https://docs.ultralytics.com/zh/models/yolov8/

下载训练模型，推荐yolov8s.pt或者yolov8n.pt，模型小，下载快，下载完成后，将模型放在主文件夹下，

YOLOv8 可以在命令行界面（CLI）中直接使用，使用yolov8自带经典图片进行测试：首先cd进入yolov8主文件夹下，运行下面命令

#可以选择直接从Github下载yolo项目库,不下载，如果依赖库齐全，模型文件齐全也能执行检测，缺少的部分会自动下载
git clone https://github.com/ultralytics/ultralytics.git

无显卡驱动
yolo predict model=yolov8n.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=yolov8n.pt source='ultralytics/assets/bus.jpg' device=0
#可以修改source成你想检测的图片

我的结果保存在runs\detect\predict4中，你们的看Results saved to 存放地址，结果如下图

在这里插入图片描述

如果出现上面图片即成功

在本地电脑上训练YOLO模型

首先在yolov8主文件夹内创建data文件夹，创建一个data.yaml文件：

train: ../train/images  #//xxx/xxx为训练集图片根目录地址
val: ../valid/images
test: ../test/images

nc: 3 #标签数量
names: ['Chair', 'Sofa', 'Table'] #标签名称

conda在主文件夹下运行下面命令：
关于如何制作自己的数据集，请移步"数据集制作"教程

yolo train data=data/data.yaml model=yolov8s.pt epochs=300 imgsz=640 batch=8 workers=0 device=cpu

data为yaml配置文件
model为下载的模型，放在主文件下
epochs为训练轮数
imagez为训练时ai看到的图片大小，检查大图片建议使用640，小图片可以320 越大越吃性能
batch为一轮训练中每一次放入图片数量，越大越快效果越好，但是对性能要求越高
device为使用的设备，使用cpu练就写cpu，使用显卡大多数都是0，多显卡就0，1，2，3，...多少显卡往后写多少

运行出现下面效果即为成功
在这里插入图片描述

得到的模型权重文件地址在输出日志中会显示出来，我的是 runs/detect/train/weights/best.pt

训练完成后转化成onnx模型

执行以下Python代码将训练好的YOLOv8模型导出为ONNX格式，并修改IR版本为8，opset版本为17，同时进行性能测试：

from ultralytics import YOLO

import onnx

# 加载PyTorch模型
model = YOLO("yolov8_best.pt")

# 2. 导出ONNX模型（使用Ultralytics支持的参数）
model.export(
    format="onnx",
    opset=17,          # 指定Opset版本
    simplify=True,     # 启用模型简化
    imgsz=640,         # 固定输入尺寸
    dynamic=False,     # 禁用动态维度
    batch=1            # 单批次推理
)

# 3. 后处理修改IR版本
def set_onnx_ir_version(onnx_path, ir_version=8):
    model = onnx.load(onnx_path)
    model.ir_version = ir_version
    onnx.save(model, onnx_path)

# 4. 修改导出的ONNX文件的IR版本
set_onnx_ir_version("yolov8_best.onnx")

# Load the exported ONNX model
#onnx_model = YOLO("yolov8_best.onnx")

# Run inference
#results = onnx_model("https://ultralytics.com/images/bus.jpg")


'''
from ultralytics import YOLO
'''
# 加载模型（显式指定任务类型）
onnx_model = YOLO("yolov8_best.onnx", task="detect")  # 关键修改：添加task参数

# 运行本地图片推理（自动保存+显示）
results = onnx_model(
    "test_chair.jpg",  # 改为你的本地图片
    save=True,         # 自动保存结果到runs/detect/exp
    show=True,         # 弹出结果窗口
    conf=0.3,          # 调低置信度阈值提高召回率
    imgsz=640,         # 指定推理尺寸（与导出时一致）
    device='cpu'      # 强制使用CPU（如需GPU改为0）
)

运行后会在当前目录下生成一个名为 yolov8_best.onnx 的文件，这就是转换后的ONNX模型。