yolo11模型部署记录
1.下载yolo11模型
ultralytics-8.3.39
2.创建Conda新环境（先安装Anaconda）
conda create --name yolov11 python=3.11.93.激活环境
conda activate yolov11查看所有已存在的环境
conda env list删除环境
conda env remove -n <环境名>配置清华源
pip config set global.index-url https://mirrors.tuna.tsinghua.edu.cn/pypi/web/simple4.安装cuda
精简安装
cuda_11.8.0 win10
cuda_11.8.0 win11
编辑环境变量
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.8\bin C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.8\libnvvp测试cuda是否安装成功
nvcc -V无管理员权限时通过Conda安装
安装Anaconda或Miniconda。
打开Anaconda Prompt。
创建一个新的环境（或使用现有环境），然后执行以下命令：
conda install cuda -c nvidia这条命令会在当前Conda环境中安装兼容的CUDA库，无需系统级权限
5.配置cudnn
cudnn-windows-x86_64-8.9.7.29_cuda11-archive
将cudnn文件夹里的文件复制到cuda的安装目录覆盖
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.8
无管理员权限时通过Conda安装
conda install cudnn6.安装GPU版本的torch
官网：Previous PyTorch Versions
pip install torch==2.7.1 torchvision==0.22.1 torchaudio==2.7.1 --index-url https://download.pytorch.org/whl/cu118使用conda安装
conda install pytorch==2.5.1 torchvision==0.20.1 torchaudio==2.5.1 pytorch-cuda=11.8 -c pytorch -c nvidia7.安装numpy
pip install numpy==1.26.48.安装其他所有依赖
pip install ultralytics==8.3.39配置python解释器
9.labelimg数据集标注环境安装
pip install labelimg启动
pip install labelimg10.测试模型
根目录下创建train.py文件
from ultralytics import YOLO # 加载模型 model = YOLO("yolo11n.pt") # 在图像上执行对象检测，检查assets文件夹下的所有图片 results = model("ultralytics/assets/",conf=0.25,save=True)预测图片保存在runs\detect\predict
11.开始训练
下载数据集
Roboflow Universe: Computer Vision Datasets
根目录下创建yolo11.yaml文件
# 数据集路径（相对于此文件或绝对路径） path: ../datasets/person # dataset root dir # 训练集和验证集路径（相对于path） train: ../train/images # train images (relative to 'path') 4 images val: ../valid/images # val images (relative to 'path') 4 images test: ../test/images # test images (optional) # 类别数量 nc: 1 # 类别名称（必须与类别ID对应） names: ['person']根目录下创建yolo11-train.py文件
from ultralytics import YOLO #Load a model model = YOLO('yolo11n.pt') #train the model model.train(data='yolo11.yaml', workers=0, epochs=50, batch=16)运行后得到runs\detect\train
训练结果由results.png图表值表示
12.继续训练，增加训练epoch
根目录下创建yolo11-continue.py文件
from ultralytics import YOLO if __name__ == '__main__': # 从零开始构建新模型 model = YOLO("runs/detect/train/weights/last.pt") # 训练模型 model.train(data="yolo11.yaml",epochs=50,device=0,pretrained=True)13.加载最好的模型预测
终端下运行
yolo detect predict model=runs/detect/train/weights/best.pt source=datasets/people/ save=True14.更改运行结果保存路径
更改ultralytics/cfg/default.yaml，增加save_dir
# 将推理内容存在这个目录内 save_dir: ./people