YOLO11 [一] 环境准备

原创 已于 2025-02-12 11:28:35 修改
· 321 阅读 · 2 ·
版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#YOLO #c++ #Qt #opencv

于 2025-02-12 09:30:04 首次发布

一、安装annaconda

annaconda 安装链接 https://www.anaconda.com/download/

一直点 下一步
注意这里勾选环境变量
在这里插入图片描述

二、conda 创建环境

使用命令 conda create -n yolov11 python=3.13

在这里插入图片描述

三、查看环境

conda env list
在这里插入图片描述
切换环境 conda activate yolov11

四、下载PyCharm 和 yolo源码导入项目

PyCharm 下载社区版的就行 https://www.jetbrains.com/pycharm/download/?section=windows#section=windows
在这里插入图片描述

yolo地址 https://github.com/ultralytics/ultralytics.git

五、PyCharm配置

在这里插入图片描述

配置 conda 环境 显示 找不到Conda环境

解决方法
1.点击上面的Virtualenv 环境
2.环境选择现有
3.解释器的目录选择Anaconda所在目录\envs\目标环境\python.exe

六、安装环境

切换到yolo11
pip install requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

手把手教你使用YOLOv11训练自己数据集（含环境搭建 、数据集查找、模型训练）
tsg6698的博客
09-30 3万+
一、前言本文内含YOLOv11网络结构图 + 训练教程 + 推理教程 + 数据集获取等有关YOLOv10的内容！官方代码地址：https://github.com/ultralytics/ultralytics/tree/main/ultralytics/cfg/models/11三、环境搭建 项目环境如下： 解释器：Python：3.9.19 框 架：Pytorch：2.0.1 系 统：Win10 IDEA
YOLO11 | 一年更三版 版版不一样 | 关键改进及网络结构图【全网首发】
kay_545
09-30 1万+
是一个增强型卷积模块，它通过堆叠的。
YOLOv11从入门到精通：环境搭建、训练技巧与实战应用全解析
skyksksksksks的博客
02-15 960
YOLO（You Only Look Once）系列自诞生以来，凭借其“单次检测”的极速特性，成为目标检测领域的标杆。2024年发布的YOLOv11，在保持实时性的基础上，进一步优化了精度与效率的平衡，成为工业界和学术界的新宠儿。相比前代YOLOv8，YOLOv11的参数量减少22%，mAP（平均精度）却提升了5%，尤其在小目标检测和复杂场景下的表现更加惊艳。多任务支持：不仅支持目标检测，还集成实例分割、姿态估计、定向边界框（OBB）等任务，真正做到“一网打尽”。跨平台部署。
YOLO V11环境配置（详解）
最新发布
dasatalan的博客
03-12 4753
YOLOv11是 YOLO（You Only Look Once）系列目标检测算法的最新版本，由 Ultralytics 开发。它在 YOLOv5 的基础上进行了多项改进，性能更强，灵活性更高，适用于实时目标检测任务。由于miniconda的默认下载源位于国外，所以导致国内用户下载速度慢。最好的解决办法是使用国内镜像源下载，速度很快。这里有很多下载版本，我们选择一个对应的版本下载（python版本最好对应）点击【Next】，进入下一步这里是问接不接受下载，我们直接点击【I Agree】
YOLOv11环境搭建/训练
2301_78698967的博客
09-30 2339
最新版本的广受好评的实时目标检测和图像分割模型Ultralytics YOLO11。YOLO11是建立在深度学习和计算机视觉的前沿进展，在速度和准确性方面提供无与伦比的性能。
Yolov11 pytorch环境搭建及测试全过程！
qq_62644798的博客
11-12 5605
Yolo系列所需的pytorch环境搭建以及cuda+cudnn环境搭建，Yolov11环境搭建及简单测试。
YOLOv8超详细环境搭建以及模型训练（GPU版本）
2401_85556416的博客
08-21 2万+
YOLOv8超详细环境搭建，以及以NEU-DET数据集为为例进行模型的训练
yolov11配置环境（干货）（附带安装包）
qq_58467323的博客
10-26 2060
yolov11配置环境（附带安装包）cuda11.8+cuDNN8.9.7+Anaconda3-2022.10-Windows-x86_64 +pytorch2.5.0
YOLO11+Anacoda+Win环境配置CPU版
2301_81035291的博客
11-10 1501
YOLO11+Anacoda+Win环境配置CPU版
YOLO模型安装指南：多版本实战教程，覆盖环境准备、代码下载与依赖安装
12-18
教程不仅涵盖了基本的环境准备，还包括了如何处理常见问题，确保模型能够顺利运行。 其他说明：由于YOLO系列模型的不同版本在细节上存在差异，本教程对每个版本进行了针对性的介绍，帮助读者根据具体需求选择合适的...
YOLOv11来了，使用YOLOv11训练自己的数据集和推理(附YOLOv11网络结构图)
热门推荐
在职AI算法工程师，擅长计算机视觉，YOLO目标检测、分割等，擅长web、pyqt界面可视化，好内容持续更新中，来这里跟大家一起学习，共同进步
10-02 17万+
YOLOv11 由 Ultralytics 在 2024 年 9 月 30 日发布， 最新的 YOLOv11 模型在之前的 YOLO 版本引入了新功能和改进，以进一步提高性能和灵活性。YOLO11 在快速、准确且易于使用，使其成为各种对象检测和跟踪、实例分割、图像分类和姿态估计任务的绝佳选择。
GC10-DET，用于训练YOLO11、YOLOv10、YOLOv8、YOLOv5等
11-13
GC10-DET是一个专门为训练YOLO系列目标检测模型设计的数据集，它包含了大量标注了不同物体边界框的图像，旨在用于提高目标检测算法在实际场景中的准确性和效率。YOLO（You Only Look Once）算法是一种流行的目标检测...
YOLO系列入门：1、YOLO V11环境搭建
天城电子嵌入式的博客
10-18 4794
YOLO支持CLI操作，不需要写python代码，就可以直接使用命令行指挥YOLO进行识别。图片如下：810*1080。可以看到，这里使用的模型yolov8n.pt是预训练好的模型，YOLO会去github仓库上下载该模型。在实际项目中，我们不会通过CLI调用YOLO，而是会通过python脚本调用YOLO，原理相同。然后在conda中用命令行切换到该文件夹。将图片路径传给YOLO，执行命令。首先，我们新建一个空白文件夹，将我们要识别的图片放进去。最终识别结果如下，说明我们成功配置好了YOLO环境。
目标检测：YOLOv11(Ultralytics)环境配置，适合0基础纯小白，超详细
笑脸惹桃花的博客
10-27 10万+
深度学习目标检测YOLOv11小白教程环境搭建，超级简单的教程，纯新手方便理解，一看就会。
纯小白如何配置YOLO11环境（最新版）
haojiyaha的博客
10-17 1万+
纯新手小白搭建，博主小白亲测
Yolo11环境配置win+Python+Anaconda--小白目标检测学习专用（超详细）
qq_62078354的博客
10-13 2万+
根据你的需求选择，如果有英伟达的GPU（显卡，比如RTX3060）那就选CUDA最新的版本，然后你还要把你的英伟达驱动更新到最新版本。直接点yolo旁边的【绿按钮】，再点击弹出来的【Open Terminal】就会打开环境终端了，接下来的操作都在这个黑框框里进行。如果下载失败或者非常慢，pytorch的包预计一分钟内下完，如果确定你的网络没问题的话，就看下一步配置清华大学镜像源。最后复制【Run this Command】的代码到你的环境终端（就那个黑框框）回车运行就开始下载安装了。
Win11上Pytorch的安装并在Pycharm上调用PyTorch最新超详细过程并附详细的系统变量添加过程,可解决pycharm中pip不好使的问题
Snu77的博客
11-27 3万+
Win11上Pytorch的安装并在Pycharm上调用PyTorch最新超详细
YOLOv11尝鲜测试五分钟极简配置
taifyang的博客
10-01 2106
根据官方文档，在 Python>=3.8并且PyTorch>=1.8的环境下即可安装YOLOv11，因此之前YOLOv8的环境是可以直接用的。ultralytics团队在最近又推出了YOLOv11，不知道在有生之年能不能看到YOLOv100呢哈哈。
yolo v11 obb 环境
02-07
关于YOLO v11 Oriented Bounding Box (OBB) 的环境配置与实现细节，在当前提供的参考资料中并未直接提及 YOLO v11 或其具体的 OBB 实现方式。然而，基于现有资料以及对YOLO系列演进的理解，可以推测YOLO v11可能继承和发展了之前版本的核心特性，并引入了一些新的改进。 ### 环境配置 通常情况下，YOLO模型的开发依赖于特定的软件栈： - **操作系统**: Linux 是首选平台，因为大多数深度学习库在此环境下得到了更好的支持。 - **Python 版本**: Python 3.x 被广泛采用作为编程语言。 - **CUDA & cuDNN**: 如果计划利用GPU加速训练过程，则需安装NVIDIA CUDA Toolkit 和cuDNN 库[^2]。 对于YOLO v11的具体环境搭建，建议参照官方文档或GitHub仓库中的README文件获取最准确的信息。一般流程包括但不限于克隆项目仓库、创建虚拟环境、安装必要的依赖包等操作。 ```bash git clone https://github.com/example/yolov11.git cd yolov11 conda create -n yolov11 python=3.8 conda activate yolov11 pip install -r requirements.txt ``` ### 实现细节 #### 数据预处理 在准备用于训练的数据集时，需要特别注意标签格式的支持。针对OBB任务，除了常规的目标分类外，还需要额外提供旋转角度信息。这可以通过自定义Dataset类来完成，确保每张图片对应的XML或其他形式的标注文件能够被正确解析成适合网络输入的形式[^5]。 #### 模型架构调整 考虑到OBB相较于传统矩形边界框增加了方向维度，因此在网络设计方面可能会涉及到一些变化： - 增加输出层节点数量以适应新增的角度参数预测； - 修改损失函数计算逻辑，加入角度误差惩罚项； - 设计更复杂的后处理机制，比如非极大值抑制(NMS)，使其能有效筛选出最优的姿态估计结果[^4]。 ```python def compute_loss(preds, targets): # 计算位置偏差平方和 xy_loss = F.mse_loss(preds[:, :2], targets[:, :2]) # 高度宽度log空间下的均方差 wh_loss = F.smooth_l1_loss(torch.log(preds[:, 2:4]), torch.log(targets[:, 2:4])) # 方向角周期性差异衡量 angle_diff = ((preds[:, 4] - targets[:, 4]) % math.pi).abs() angle_loss = torch.where(angle_diff > math.pi / 2., math.pi - angle_diff, angle_diff).mean() total_loss = xy_loss + wh_loss + angle_loss return total_loss ```
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值