YOLO

环境

速览

• 源码：ultralytics_v8.3.163，下载zip

• 模型：releases_ultralytics/assets 或者 release_v8.3.0_ultralytics/assets，检索 yolo11n ，并下载以下模型：

  提示

  由于ultralytics库使用的 v8.3.x 所以模型也要下载 v8.3.x 下的模型。可以使用第二个链接直接打开。

  或许你会疑问为什么里面有很多版本和不同后缀的模型，可以看这里解答。

  • yolo11n-cls.pt
  • yolo11n-obb.pt
  • yolo11n-pose.pt
  • yolo11n-seg.pt
  • yolo11n.pt

• python 3.11.x

  • torch==2.5.0

  • torchvision==0.20.0

  • torchaudio==2.5.0

1. 虚拟环境

# 创建
conda create -n yolo python=3.11

# 激活
conda activate yolo

2. PyTorch

1. 打开 PyTorch官网

2. 下滑到 Install PyTorch（有可以选择下载命令地方），点击 Previous versions of PyTorch 按钮

3. 下滑找到 V2.5.0 -> Wheel -> LINUX AND WINDOWS 中的安装命令

# CUDA 11.8
# 这个可以使用官方源下载
pip install torch==2.5.0 torchvision==0.20.0 torchaudio==2.5.0 --index-url https://download.pytorch.org/whl/cu118

# 实在不行再使用aliyun镜像
pip install torch==2.5.0 torchvision==0.20.0 torchaudio==2.5.0 -f https://mirrors.aliyun.com/pytorch-wheels/cu118

# 50系显卡
pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu128

4. 最后出来一大堆包名就代表安装完毕

5. 测试

   pip show torch
   # 显示 Version: 2.5.0+cu118 代表成功
   

   # 先打开 python
   python
   
   # 每行依次键入 + 回车
   import torchvision
   import torch
   torch.cuda.is_available()
   # 输出 True 代表成功
   torch.randn(1).cuda()
   # 输出 tensor([随机数], device='cuda:0') 代表成功
   

3. 源码内的库

1. 进入到源码文件夹内

   提示

   别忘了先 激活环境

2. pip install -e .
   

   提示

   如果需要，点此查看 换源 步骤

3. 最后出来一大堆包名就代表安装完毕

4. IDEA虚拟环境

参考：配置conda虚拟环境_IntelliJ_IDEA

1. Ctrl + Shift + Alt + S
2. SDKs
3. Add Python SDK for disk
4. Local -> Select existing
5. 选择Conda安装路径下的可执行文件以及选择创建好的yolo环境

测试

这个命令的作用是用 yolo11n.pt 这个目标检测模型预测源码下 \ultralytics\assets 文件夹中的两张图片

yolo detect predict

出现这些代表yolo运行成功：

Results saved to runs\detect\predict

之后去 \ultralytics-8.3.163\runs\detect\predict 文件夹下看结果。

模型

版本含义

• 一个Ultralytics库版本可以支持多个YOLO模型版本
• 例如：ultralytics 8.3.163 同时支持：
  • YOLOv8模型
  • YOLOv9模型
  • YOLOv10模型
  • YOLOv11模型

后缀含义

模型尺寸（从小到大）：

• n - Nano（最小，速度最快）
• s - Small
• m - Medium
• l - Large
• x - XLarge（最大，精度最高）

版本类型：

• v8, v9, v10, v11 - YOLO版本号

• seg - 实例分割模型（给物体自身加上蒙版）

• pose - 姿态估计模型

• cls - 分类模型（图像分类）

• obb - 定向边界框检测（旋转目标检测）

• x6 - 6个输出层（ x 为3个，输入分辨率更高+多尺度，更好的小目标检测）

  • yolov8x6-500

    • "500"：表示在Objects365数据集上预训练
    • Objects365有365个类别，500万+标注框
    • 适合需要检测大量日常物体的场景

  • yolov8x6-oiv7**

    • "oiv7"：Open Images V7 数据集预训练

    • Open Images V7有600个类别

    • 类别更丰富，覆盖更广的物体类型

  • c) yolov8x6-coco

    • "coco"：标准的COCO数据集（80个类别）

    • 最常用，通用性最好

示例：

• yolo11n.pt - YOLOv11 Nano版本（目标检测）
• yolo11s-seg.pt - YOLOv11 Small版本（实例分割）
• yolo11m-pose.pt - YOLOv11 Medium版本（姿态估计）
• yolo11l-cls.pt - YOLOv11 Large版本（图像分类）

性能关系：

• n/s：速度快，精度较低，适合移动端
• m：平衡版本
• l/x：精度高，速度慢，适合服务器端

训练

原理：从Github上下载训练集.zip，并解压到项目下 /datasets 文件夹内。

示例最小化代码：

# 训练
from ultralytics import YOLO

if __name__ == '__main__':
    # 虽然指定了模型，但是好像还是会下载最新的 `yolo11n.pt` 来进行训练
    model = YOLO(r'models/yolov8n.pt')

    print('任务类型：',model.task)
    print(model.ckpt_path)

    model.train(
        data=r'ultralytics/cfg/datasets/coco8.yaml',
        # 轮次
        epochs=30,
        imgsz=640,
        # 批次
        batch=2,
        cache=False,
        workers=0,
        pretrained=False,  # 不下载预训练权重
        resume=False,      # 不从检查点恢复
    )

之后查看结果输出这样即为成功：

# `weights` 文件夹下面的 `best.pt` 就算成功
Results saved to runs\detect\train

labelimg

数据集 label 的可视化 查看/编辑 器。同样也可以查看验证集标签。

环境

conda create -n labelimg python=3.8

安装

pip install labelimg

使用

# 直接打开可视化
labelimg

# 给参数打开可视化
labelimg <images-dir-path> <classes.txt-path> <labels-dir-path>

• images-dir-path：图片文件夹路径（例如 \datasets\coco8\images\train）
• classes.txt： 类型文件路径（训练集.yaml 的 names 属性里的值，复制过来，删掉序号、冒号、空格，然后分别放到 labels 下各个集的文件夹里。例如 \datasets\coco8\labels\train\classes.txt）
• labels-dir-path：标签文件夹路径（例如 \datasets\coco8\labels\train）