01、从这里开始，你的第一个yolo例子，简单快速部署

本文链接：https://blog.youkuaiyun.com/wml731/article/details/145938322

YOLO（ultralytics）是一种实时目标检测算法，通过将目标检测任务转化为回归问题，能够在一次前向传播中同时预测图像中的所有目标类别和位置，实现快速而准确的目标检测。

代码下载链接见文章后面，建议按文章的步骤走。

一、pycharm环境准备

我们在pycharm下面部署yolo，假设你已经准备好了pycharm环境，如果没有，请看我的python教程：

02、我们的第一个python例子

03、pycharm的安装和使用

二、新建yolo项目

打开pycharm,如图新建一个项目

选择好目录，如图红线部分的yolo是你的项目名称，同时也是目录，然后点击Create创建项目

创建好的界面如下

三、pytorch环境安装

按住win+R打开命令提示符，然后输入cmd回车

接着输入nvidia-smi，查看cuda的最高版本

nvidia-smi

如果执行nvidia-smi，没有找到命令，可能是你没有英伟达的显卡

输入PyTorch来到pytorch官网

向下滚动，找到pytorch配置页面

比如我的cuda最高为12.0，就向下兼容选择11.8。

然后复制安装命令：

（注意这里存在的问题：--index-url 和-i是等效的，pip会去选择后面的一个，就是选择源，有可能源并没有cu118，所以下载的是cpu的版本，我们现在还不需要训练，可以不用理会这个问题，后续文章会提到）

pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118

打开刚开建立的pycharm项目，左下角进入终端

然后在终端输入上面的安装命令，然后回车。（若网速不佳，可以使用清华源下载。在安装链接后面加上 -i https://pypi.tuna.tsinghua.edu.cn/simple）

或者其他的源也可以，下面是国内常用源：

镜像源	地址	特点
清华大学镜像源	https://pypi.tuna.tsinghua.edu.cn/simple/	国内最热门，更新及时
阿里云镜像源	https://mirrors.aliyun.com/pypi/simple/	企业级支持，速度极快
中国科学技术大学镜像	https://pypi.mirrors.ustc.edu.cn/simple/	稳定高效，适合科研场景
腾讯云镜像源	https://mirrors.cloud.tencent.com/pypi/simple/	高速、可靠的云支持
华为云镜像源	https://repo.huaweicloud.com/repository/pypi/simple/	华为生态强力支持

比如我的安装链接：

pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118 -i https://pypi.tuna.tsinghua.edu.cn/simple/

开始下载

安装完成

四、安装ultralytics

在终端输入指令，然后回车，如果速度慢，可以后面跟上源

pip install ultralytics

开始下载，它会下载依赖的包

下载完成

五、yolo第一个例程

yolo项目上右键新建一个test.py文件

输入如下代码

from ultralytics import YOLO

# Load a pretrained YOLO11n model
model = YOLO("yolo11n.pt")

# Run inference on 'bus.jpg' with arguments
model.predict("https://ultralytics.com/images/bus.jpg", save=True, imgsz=320, conf=0.5, show=True)

点击如图按钮运行程序

会自动下载权重、图片并预测，如果失败可以多试几次。

至此项目环境部署完成！第一个demo已经成功运行！

六、检测视频试试

修改代码，将这行注释掉

# model.predict("https://ultralytics.com/images/bus.jpg", save=True, imgsz=320, conf=0.5, show=True)

再增加一行

model.predict("dance.mp4", save=True, imgsz=320, conf=0.5, show=True)

完整的test.py如下


from ultralytics import YOLO

# Load a pretrained YOLO11n model
model = YOLO("yolo11n.pt")

# Run inference on 'bus.jpg' with arguments
# model.predict("https://ultralytics.com/images/bus.jpg", save=True, imgsz=320, conf=0.5, show=True)
model.predict("dance.mp4", save=True, imgsz=320, conf=0.5, show=True)

随便找个舞蹈视频的mp4文件

dance.mp4

运行test.py

七、yolo、pytorch、ultralytics关系

YOLO：实时目标检测算法

PyTorch：开源深度学习框架，提供动态计算图与GPU加速支持；为YOLO算法提供底层计算引擎，支持模型训练、推理及部署

Ultralytics：开源组织与代码库，维护YOLO的官方PyTorch实现；提供预训练模型、训练接口、数据增强工具链及部署优化方案。

Ultralytics的YOLO代码（如YOLOv5/YOLOv8）完全基于PyTorch开发，依赖其torch.Tensor数据结构与自动微分机制。

YOLO算法提供检测理论框架，PyTorch提供计算基础设施，Ultralytics填补二者间的工程化鸿沟。

Ultralytics封装了复杂训练流程（如数据加载、损失计算），用户只需调用高阶API即可完成模型迭代。

代码点这里