YOLO

约 1605 字大约 5 分钟

2025-12-31

提示

该文档依据B站大佬视频 林亿饼-合集-YOLO系列 进行编写。所以各个软件版本也和视频中一致。

注意

TMD！显卡挂了，目前进度在《YOLO训练入门（下）》视频刚开始，暂停更新。

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。
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

提示

建议完全配置好conda以及pip安装目录。

点此跳转python文档

2. PyTorch

重要

以Nvidia非50系显卡为例，50系请观看视频。

打开 PyTorch官网
下滑到 Install PyTorch（有可以选择下载命令地方），点击 Previous versions of PyTorch 按钮
下滑找到 V2.5.0 -> Wheel -> LINUX AND WINDOWS 中的安装命令

提示

别忘了先激活环境
如果需要，点此查看换源步骤

# 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

最后出来一大堆包名就代表安装完毕

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

进入到源码文件夹内
提示
别忘了先激活环境
```
pip install -e .
```
提示
如果需要，点此查看换源步骤
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

Ctrl + Shift + Alt + S
SDKs
Add Python SDK for disk
Local -> Select existing
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

提示

库是工具，模型是产品，工具可以处理多个版本的产品。

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

提示

名称中的 v 代表具体YOLO版本号，模型名称不带 v 的（如yolo11n、yolo11x）是简写形式，实际上与带 v 的相同，只是命名上没有带 v 。

（经测试，yolov8x.pt 以及 yolov8x-pose.pt 效果最好）

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。

提示

ultralytics-8.3.163/ultralytics/cfg/datasets 里面都是预设训练集的yaml配置文件，每一个文件就对应一个数据集。其中 download 就是下载URL。

path：数据集解压路径
train：训练集图片路径（暗示标签路径，就是把路径中的 images 换成 labels）
val：验证集图片路径（暗示标签路径，就是把路径中的 images 换成 labels）
test：测试集图片路径
names：数据集中包含的物体类型

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
    )

提示

建议先使用最小的yolo模型（例如后缀 *n.pt ）跑通测试。

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

提示

如果需要，点此查看换源步骤

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）

提示

View -> Display Labels：显示标签名
A / D：切换 上一张/下一张