YOLO入门（25.10）

YOLO_251005_160815

目的

• 目标：用 Ultralytics YOLO（YOLOv8 / YOLO11）完成目标检测（推理 + 训练 + 自建数据集）。

1. 下载 Ultralytics（源码 + 预训练模型）

1. 打开 Ultralytics 的 GitHub。
2. 在Tags / Releases中找到你要用的版本，例如8.3.163。
3. 下载并解压，记住源码路径（后面 PyCharm 需要打开这个目录）。
4. 下载预训练模型（例如yolo11n.pt）。

• 常见做法：在 Release 里找 assets，或在页面里用Ctrl+F搜索模型名。

2. 安装 Anaconda（清华镜像）

1. 用 TUNA（清华）镜像下载并安装 Anaconda（例如 2024.06-1）。

2. 打开Anaconda Prompt。

3. 配置 conda 镜像：

   notepad .condarc

• 去清华镜像网站复制配置内容，保存后关闭。

1. 配置 pip 镜像：

• 在 TUNA 搜索 pip 镜像配置，复制到配置文件后执行一次安装/更新验证。

3. 创建 YOLO 的 conda 环境（Python 3.11）

1. 查看现有环境：

   condaenvlist

2. 创建环境：

   conda create-nyolopython=3.11

3. 激活环境：

   conda activate yolo

之后每次打开 Anaconda Prompt，默认在 base，需要手动conda activate yolo。

4. 安装 PyTorch（匹配 CUDA）

1. 先确认本机 CUDA/驱动情况：

   nvidia-smi

• 确认 CUDA 版本是否满足你要装的 PyTorch（例如 CUDA 11.8）。

1. 打开pytorch.org，找到对应版本（例如 v2.5.0），复制CUDA 11.8的安装命令。

2. 回到 Anaconda Prompt：

   conda activate yolo# 粘贴 pytorch.org 提供的安装命令

3. 验证（Python 里不报错即可）：

   importtorchimporttorchvision

5. 配置 PyCharm 使用 conda 解释器

1. 安装 PyCharm（例如 2025.1.1.1）。
2. 用 PyCharm 打开ultralytics源码目录并Trust。
3. 设置解释器：

• Settings → Project → Python Interpreter → Add Interpreter →Conda→ Existing
• 选择conda.bat（在 Anaconda 的condabin目录）
• 加载yolo环境

1. 左下角显示yolo（或解释器名）即成功。

6. 推理（Inference）：手写脚本跑官方模型

示例：mypredict.py

fromultralyticsimportYOLO model=YOLO(r"yolo11n.pt")model.predict(source=r"ultralytics\\assets",save=True,show=False,)

• source：要预测的图片/视频路径，也可以是摄像头0
• model：使用的权重文件（如yolo11n.pt）
• save：是否保存结果
• show：是否立刻弹窗显示

常见说明

• 预测视频时，输出可能是.avi，PyCharm 里不一定能直接预览。
• 结果里出现Results saved to ...表示保存位置。

7. 训练（Train）：用官方小数据集先跑通

示例：mytrain.py（先用coco8.yaml验证流程）

fromultralyticsimportYOLOif__name__=="__main__":model=YOLO(r"yolo11n.pt")model.train(data=r"coco8.yaml",epochs=10,imgsz=640,batch=2,cache=False,workers=0,)

• 训练完成后，weights/目录里通常会有best.pt
• val=False可以关闭验证（不建议长期这样做）

常见训练参数（你后面经常会用到）

• epochs：训练轮数
• imgsz：输入图片缩放尺寸
• batch：每个 batch 的图片数量
• cache：是否缓存加速
• workers：加载数据的进程数

8. 数据集配置（YAML 关键点）

你需要提供：

• 数据集文件夹本身
• 数据集配置文件.yaml
• YAML 内的path / train / val路径必须能对上实际目录

常见坑：

• 报错很多来自path/train/val路径不匹配。
• yaml结构

path: dataset train: images/train val: images/val names: 0: person 1: helmet

• DATASET结构

dataset/ images/ train/ val/ labels/ train/ val/ data.yaml

9. 标注工具：LabelImg（YOLO 检测标签）

安装后，LabelImg 启动时建议明确传入 3 个路径：

• 图片文件夹路径
• classes.txt路径
• 标签输出文件夹路径

注意：文件名统一用classes.txt

• 建议放在labels/train（以及labels/val）里各放一份，避免混乱。

启动示例（路径按你的实际改）：

labelimg"images\\train""labels\\train\\classes.txt""labels\\train"

10. 自己做数据集（最小可跑通流程）

1. 拍视频 → 抽帧成图片。
2. 建目录结构（示例）：

• images/train
• images/val
• labels/train
• labels/val

1. 在classes.txt写类别名（一行一个）。
2. 标注生成 YOLO 格式 label。
3. 写 YAML → 改mytrain.py里的data=你的yaml。
4. 训练后用best.pt回到mypredict.py做推理验证。

11. 重要提醒：类别错位（class mismatch）

训练时 YOLO 不看 label 名字，只看 class_id（数字）。

• 你的标签文件里是：

  class_id x1 y1 x2 y2 ...

• YAML 的类别顺序必须和class_id对应。

如果你做的是LabelMe → YOLO segmentation，那么转换脚本生成class_id的顺序，必须和 YAML 的names顺序保持一致。