1. YOLO11首次使用

1）conda

conda是一个包和环境管理工具，用于创建、管理和切换python的虚拟环境。它允许你在不同项目间隔离环境，避免环境冲突。anaconda和miniconda是conda的发行版，前者包含大量预装包，适合初学者，后者精简，仅包含基本组件。安装miniconda后，可通过命令行创建、列出、激活、删除环境，以及安装和卸载包。对于开发者，conda提供了一种高效管理python环境和包的方式。在anaconda或miniconda中，可以方便的创建多个python虚拟环境，方便多个python项目同时开发的时候，每个项目都有自己独立的python开发环境。

miniconda下载地址：

    清华大学镜像

    Index of /anaconda/miniconda/ | 清华大学开源软件镜像站 | Tsinghua Open Source Mirror

    官方 Index of /miniconda

建议使用清华大学镜像，国内下载速度较快。

安装教程可在优快云上搜索。

conda在windows下的运行窗口：

2）pycharm

pycharm是一种python IDE（windows下集成开发环境），带有一整套可以帮助用户在使用python语言开发时提高其效率的工具，比如调试、语法高亮、项目管理、代码跳转、智能提示、自动完成、单元测试、版本控制。

pycharm community edition下载地址：PyCharm: The only Python IDE you need

安装教程可在优快云上搜索。

下图展示了一个pycharm窗体，pycharm中加载了yolo11仓库代码ultralytics-main到工程中，并设置python解释器。

3）YOLO11下载

YOLO11仓库下载地址：https://github.com/ultralytics/ultralytics

下载最新的代码压缩包，解压后为一个ultralytics-main文件夹。

4）创建虚拟环境

打开conda的prompt：

conda下创建yolo11虚拟环境：

conda create -n yolo11 python==3.8

激活虚拟环境：

conda activate yolo11

开始安装cuda版的pytorch。首先，需要知道自己主机的GPU型号所支持的最大CUDA版本：

nvidia-smi

可在优快云中搜索一下，比较稳定的pytorch版本。进入pytorch官网（链接），找到对应的版本，复制针对windows的指令执行，比如：

conda install pytorch==2.1.0 torchvision==0.16.0 torchaudio==2.1.0 pytorch-cuda=11.8 -c pytorch -c nvidia

最后，进入到ultralytics-main目录路径下：

pip install ultralytics

如果在使用的过程中，可能会提示需要安装一些依赖库，百度搜索安装的指令即可。

5）准备数据集

以东北大学NEU-DET数据集为例，生成YOLO11可用的VOC格式目标检测数据集。NEU-DET的数据集下载链接为：东北大学主页平台 宋克臣--中文主页--数据集

我们按照下面所示准备好文件夹：

NEU-DETvoc # 文件夹名     Annotations  # 标签文件夹         xml文件  # NEU-DET的1800个标签文件，VOC格式，labelimg可直接调用     images  #图像文件夹         jpg图像  # NEU-DET的1800个图像，与Annotations中xml文件对应     ImageSets  # 文件夹         Main  # 文件夹，空，保存数据集划分的test、train、trainval和val     labels  #文件夹，空，保存每一个图片yolo_txt文件，格式为：类别序号 x y w h

准备好生成YOLO11可用的VOC格式数据集工具，下载链接为：https://download.youkuaiyun.com/download/as_grf/90706399

工具主要包括：

① clauculate_anchors.py（对于需要先验anchor框的YOLO，可通过这个程序聚类获得）     会调用 kmeans.py 聚类生成新anchors.txt的文件，但需要修改ANNOTATION_PATH、CLASS_NAMES、      ANCHORS_TXT_PATH；生成的anchors.txt文件第二行 Best Anchors就是手动获取到的anchors的值。 ②-1 运行split_train_val.py  # 这个是按照图片划分，可能存在类别不均衡问题     会在ImagesSets\Main下生成 test.txt、train.txt、trainval.txt、val.txt，不含路径。 ②-2运行xml_split_trainval.py  # 这个是按照类别均衡划分,且乱序     会在ImagesSets\Main下生成 test.txt、train.txt、val.txt，不含路径。     还生成trainval_ratio.txt, 包含了划分的信息。 ③ voc_label.py     在labels文件夹中生成不同图像的标注文件。每个图像对应一个txt文件，文件每一行为一个目标的信息，     包括class, x_center, y_center, width, height格式，即为 yolo_txt格式；     生成test.txt、train.txt、val.txt，写有划分后图像所在位置的绝对路径，如train.txt就含有所有训练集图像     的绝对路径。 ④ 运行labels.py     生成类别labels.txt，类别名。

这些工具程序，里边有不少路径需要按照自己现有的情况修改，运行后会生成：

NEU-DETvoc # 文件夹名     Annotations  # 标签文件夹         xml文件  # NEU-DET的1800个标签文件，VOC格式，labelimg可直接调用     images  #图像文件夹         jpg图像  # NEU-DET的1800个图像，与Annotations中xml文件对应     ImageSets  # 文件夹         Main  # 文件夹 test.txt  # 测试图片名文件             train.txt  # 训练图片名文件             trainval.txt  # 训练+验证图片名文件             val.txt  # 验证图片名文件 labels  #文件夹     *.txt  # NEU-DET的1800个图片yolo_txt文件，格式为：类别序号 x y w h

然后，在NEU-DETvoc文件夹相同目录下准备neu-det.yaml文件如下：

train: NEU-DETvoc/train.txt val: NEU-DETvoc/val.txt test: NEU-DETvoc/test.txt # number of classes nc: 6 #class names names: ["crazing", "inclusion", "patches", "pitted_surface", "rolled-in_scale", "scratches"]

这里NEU-DETvoc文件夹所在的路径为：./data/NEU-DET，其中data文件夹在YOLO11的ultralytics-main目录下。

6）训练、验证、预测模型

在ultralytics-main目录下写一个train.py，可以修改ultralytics/cfg/default.yaml里的设置与参数；

import warnings warnings.filterwarnings('ignore') from ultralytics import YOLO   if __name__ == '__main__':     model = YOLO('yolo11.yaml')     model.load('yolo11n.pt') # 加载预训练权重     model.train(data='./data/NEU-DET/neu-det.yaml',                 cache=False,                 imgsz=640,                 epochs=300,                 single_cls=False,                 batch=16,                 close_mosaic=0,                 workers=0,                 device='0',                 optimizer='SGD',                 resume=False,                 amp=False,                 project='runs/train',                 name='exp-yolo11',                 )

python train.py即可训练；

下面是一个val.py的代码：

import warnings warnings.filterwarnings('ignore') from ultralytics import YOLO if __name__ == '__main__':     model = YOLO('runs/train/exp-yolo11/weights/best.pt')     model.val(data='./data/NEU-DET/neu-det.yaml',               split='val', # 测试可以改为 split='test',               imgsz=640,               batch=8,               mode='val', # 测试可以改为 mode='test',               save=True,               project='runs/val', # 测试可以改为 project='runs/test',               name='exp-yolo11',               )

python val.py即可验证或测试；

下面是一个predict.py的代码：

import warnings warnings.filterwarnings('ignore') from ultralytics import YOLO if __name__ == '__main__':     model = YOLO('runs/train/exp-yolo11/weights/best.pt')     model.predict(source='data/NEU-DET/images',               imgsz=640,               batch=16,               mode='predict',               show=True,               save=True,               project='runs/predict',               name='exp-yolo11,               )

python predict.py即可预测。