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=3.11.9

3.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/simple

4.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 cudnn

6.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 nvidia

7.安装numpy

pip install numpy==1.26.4

8.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 labelimg

10.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=True

14.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