yolov11环境搭建+训练自己数据集（yolov8环境搭建步骤与yolov11一样，修改源代码下载地址即可）

一、yolov11环境搭建

1. 安装miniconda环境

地址：https://mirrors.tuna.tsinghua.edu.cn/anaconda/miniconda
选择Python3.8版本

勾选自动添加环境变量

***以下操作安装过程中关闭代理软件 ***

2. 创建虚拟环境

conda create -n yolov11 python=3.8

3. 激活环境

conda activate yolov11

4. 设置清华安装源

pip3 config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple

5. 安装pytorch

官网地址：https://pytorch.org/
打开命令窗口，输入以下命令，查看当前电脑是否支持GPU安装方式。

nvidia-smi

若支持，选择不高于自己电脑cudu的版本即可；

若不支持，直接采用CPU的方式安装：

# AMD显卡
pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cpu

6. 安装ultralytics

6.1 GitHub官网将yolov11项目下载到本地，https://github.com/ultralytics/ultralytics
6.2 进入项目， 输入命令-e代表项目可编辑

pip3 install -e .

如下图代表安装完成

7. 预测脚本

yolo detect predict model=yolo11n.pt source='ultralytics/assets/bus.jpg'

系统会自动下载yolo11n.pt模型，如果下载失败，手动复制控制台链接到浏览器中下载，然后把文件复制到项目根目录下

二、训练数据集

1. 修改全局配置文件，设置训练数据路径

文件路径：C:\Users\18770\AppData\Roaming\Ultralytics\settings.yaml
数据集一般放在项目目录下的datasets文件夹中， 但是yolov11模式放在项目的同一级，所以我们需要修改路径

2. Kaggle官网下载训练数据集：https://www.kaggle.com/

注册用edge浏览器

3. 下载数据放在datasets\safehat

4. safehat.yaml

5. 训练数据

python demo_safehat_train.py

6. 训练结果

7. 测试训练的模型

将训练结果中 weights/best.pt文件复制出来到demo文件夹中

8. 批量测试

source设置为检测图片文件夹路径即可

YOLO命令行方式：

yolo predict model="best.pt" source="D:\workspace\yolov8\ultralytics\datasets\cell\test\images"