最近帮一个完全零基础的朋友在 Windows10 上装 YOLOv11，折腾下来我发现网上很多教程要么默认你已经懂 Python 虚拟环境，要么默认你用的不是 Windows。其实 YOLOv11（官方文档写作 YOLO11，中文社区习惯叫 V11）是 Ultralytics 在 2024 年下半年发布的新一代目标检测框架，目标检测、实例分割、图像分类、姿态估计都能做。它安装的核心一点也不复杂：先装 Anaconda 做环境管理，再建一个独立虚拟环境，装好 PyTorch，最后装一个叫 ultralytics 的 Python 包。下面就把安装过程从头到尾拆开，从 Anaconda 下载到跑通一张图的检测，每一步都告诉你为什么这么做，适合0基础纯小白，也适合想快速搭环境的老手当清单参考。
1. 动手之前：先把四个关键问题想明白
1.1 YOLOv11（YOLO11）到底是个什么东西
先说名字。Ultralytics 官方的叫法是 YOLO11，但是大家搜资料用得最多的还是 YOLOv11 这个写法，在搜索引擎里两个都搜就行。它的前身就是非常出名的 YOLOv8，很多人戏称它是“半代小升级”，但从使用感受上看，YOLO11 在训练收敛速度、推理速度和小目标表现上都有不少变化。更重要的是，它保持了 YOLOv8 的一大优点：使用门槛极低。
你不需要自己实现神经网络结构，不需要自己写训练循环，只要安装一个软件包，然后调用一行 Python 代码，就能用官方预训练模型检测图片里的物体。这个包就是 ultralytics，它是 YOLO 系列官方仓库对应的 Python 库。某种程度上，我们常说的“安装 YOLOv11”，本质就是安装 ultralytics 这个包，再把对应的权重文件 yolo11n.pt 等下载下来。把这件事想清楚后，你就不会被各种“配置 YOLOv11 环境”的教程吓到。
1.2 为什么用 Anaconda 而不是直接装 Python
很多新手第一反应是：我的电脑还没装 Python，直接去 python.org 下载一个不就行了？理论上可以，但实际操作中会踩很多坑。YOLO11 依赖 PyTorch，PyTorch 又依赖一堆底层库，不同项目需要的 Python 版本和包版本还不一样。如果全装到系统 Python 里，今天为项目 A 装了这个版本，明天项目 B 又要另一个版本，很容易把环境搞得一团糟，最后连脚本都跑不起来。
Anaconda 的核心价值是环境隔离。你可以用 conda 创建多个互不干扰的虚拟环境，比如给 YOLO11 单独开一个叫 yolov11 的环境，里面用 Python 3.10，在这个环境里装 PyTorch、装 ultralytics，怎么折腾都不会影响电脑上其他 Python 项目。等时间长了你会发现，这比“一键清理”靠谱多了。另外 Anaconda 自带 conda 包管理器和很多常用数据科学包，安装后不需要额外配一堆东西。
如果你已经有 Python 或者硬盘比较小，也可以选择 Miniconda，它相当于 Anaconda 的轻量版，只有 conda 和 Python，后续缺什么用 conda 或 pip 装什么。这篇还是以 Anaconda 为例，因为它对小白更友好。
1.3 整个安装过程只有四步
安装主线特别清晰，帮你压缩成一句话：装 Anaconda→建虚拟环境→装 PyTorch→装 ultralytics。
为什么是这个顺序？因为 ultralytics 运行依赖 PyTorch，如果你先装 ultralytics，pip 确实会自动把 PyTorch 拉进来，但自动拉进来的版本不一定符合你的硬件需求。比如你有 NVIDIA 显卡，想用 GPU 加速，结果 pip 默认装了一个 CPU 版或某个 CUDA 版本，后面又要卸载重装。先装 PyTorch 再装 ultralytics，主动权在自己手里。
这一步的产出也很明确：装完后你在终端敲 yolo version 能看到版本号，再用 yolo predict 跑一张图成功出框，整个安装就算闭环了。建议把下面这张流程表存下来，后面每一步对照着走：
| 阶段 | 做什么 | 产出 |
|---|---|---|
| 1 | 安装 Anaconda | conda 命令可用 |
| 2 | 创建并激活 yolov11 虚拟环境 | 命令行前缀出现 (yolov11) |
| 3 | 安装 PyTorch | import torch 不报错 |
| 4 | 安装 ultralytics 并下载权重 | yolo predict 出检测结果 |
1.4 先看清你的硬件再选版本
这里说的“看清硬件”主要指显卡。YOLOv11 对 GPU 不是硬性要求，没有 NVIDIA 显卡也能跑，CPU 跑小模型只是慢一些；有 NVIDIA 显卡则尽量用 GPU 版 PyTorch，速度快很多。
怎么查？两种方式。第一种是打开任务管理器，点“性能”，看左侧有没有 GPU；再点 GPU，看右边“专用 GPU 内存”和名称，如果是 NVIDIA 开头的就是 N 卡。第二种更准：按 Win+R 输入 cmd 打开命令行，敲 nvidia-smi，如果能看到一列显卡信息并在右上角显示 CUDA Version，说明驱动已经就绪，上面的数字就是你当前驱动最高支持的 CUDA 版本。
看到数字后怎么选？我后面第 3 章会详细说。如果你发现查不到 nvidia-smi，说明大概率没有 N 卡驱动或显卡不是 NVIDIA，那就老老实实装 CPU 版，跑通流程后再考虑升级硬件。
2. Anaconda 下载与安装全流程
2.1 下载 Anaconda：官网还是国内镜像
安装 Anaconda 最怕的是卡在下载这一步。官网下载页在有些网络下打开很慢，还经常让你先填邮箱，很多人填完邮箱又等半天没反应。我的建议是直接用清华开源软件镜像站，里面保留了 Anaconda 的官方安装包，下载速度比较稳定。
打开 https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/，找一个 Anaconda3-2024.xx-1-Windows-x86_64.exe 类似命名的文件，注意两点：一是前缀是 Anaconda3，二是文件名里有 Windows-x86_64，说明是 Windows 64 位版本。尽量下载离当前时间最近的版本，因为它内置的 Python 比较新。如果你确实想用官方渠道，也可以去 www.anaconda.com/download，但要接受可能较慢的下载速度。
另外，如果你网络环境实在不理想，也可以选 Miniconda 的 Windows 安装包，体积只有几十 MB，安装和用法与 Anaconda 基本一致，只是需要自己在激活环境后用 pip 或 conda 安装其余包。这篇按 Anaconda 演示，因为以后做数据分析、跑其他深度学习项目时它自带得更全。
2.2 双击安装包后这些选项建议这么选
下载好的 exe 直接双击运行。安装开始时选择 Install for: Just Me，不要选 All Users，原因很简单：Just Me 不需要管理员权限，安装在用户目录下，后续写文件很少出现权限问题。
到 Destination Folder 这一步，我强烈建议把默认的 C:\Users\你的用户名\Anaconda3 改成 D:\Anaconda3 或 E:\Anaconda3 这类路径。一是避免 C 盘空间越来越紧张，二是路径越短越不容易在后续深度学习依赖中碰到“路径名过长”或中文路径问题。
下面的 Advanced Options 里有两个关键勾选：Add Anaconda3 to my PATH environment variable 和 Register Anaconda3 as my default Python。我的建议分两种情况：如果你这台电脑从没装过 Python，把第一个勾上，以后打开任意命令行都能直接敲 conda；如果你电脑里已经装过其他 Python 或者打算用 PyCharm 管理环境，我建议不勾，日常操作都从 Anaconda Prompt 进入，避免两个 Python 互相抢解释器。第二个 Register 选项我一般不太建议勾，因为它会把 Anaconda 的 Python 设为系统默认，有些业务软件可能因此出问题。
安装过程中会黑屏闪一下或跑一串进度条，这是 Anaconda 在为你配置环境，不用管。安装完成后不要急着删除安装包，先验证一下能不能用。
2.3 安装后验证与环境变量检查
按 Win+R 输入 cmd 回车，在命令行里敲 conda --version。如果显示 conda 4.x.x 或 conda 24.x.x，说明安装成功。如果没有显示，而是提示“conda 不是内部或外部命令”，也别慌，两种情况：一是你刚才没勾 Add to PATH，那就以后始终使用“开始菜单里的 Anaconda Prompt”来操作；二是 PATH 没生效，那可以手动把下面三个路径加到系统环境变量的 Path 里（把 D:\Anaconda3 换成你的实际安装路径）：
- D:\Anaconda3
- D:\Anaconda3\Scripts
- D:\Anaconda3\Library\bin
加完后重新打开 cmd，大概率就能识别 conda 了。这一步验证很重要，因为第 3 章所有操作都依赖 conda 命令。我见过不少人一路点完安装包，结果没验证就往下走，最后在创建虚拟环境时报错又回头找原因。
3. 创建虚拟环境与基础配置
3.1 为什么必须给 YOLOv11 开一个独立环境
很多新手喜欢打开 Anaconda 自带的 Anaconda Navigator，直接在 base 环境里开始装。base 是 Anaconda 的根环境，平时用没问题，但我不建议在这个环境里装 YOLOv11，尤其你要研究一阵子深度学习的话。原因很简单：base 环境经常会因为其他项目装包而改变依赖，你难得跑通了，过俩月忘了动了什么，再跑 YOLOv11 突然报错，排查起来非常难受。
独立环境相当于给 YOLOv11 单独安排了一个“工作台”，这个台子上只有 PyTorch、ultralytics 等必要工具，后续删掉、重建、升级都只影响这个环境。这个习惯也是从 YOLOv5 时代吃到教训后才养成的，至今我仍觉得这是最重要的一步。
3.2 用 conda 创建并激活 yolov11 环境
安装完 Anaconda 后，打开 Anaconda Prompt（Windows 搜索栏输入 Anaconda Prompt，回车），或打开已经能识别 conda 的 cmd。先创建一个环境：
conda create -n yolov11 python=3.10 -y解释一下这条命令：conda create 是创建环境的指令，-n yolov11 表示环境名字叫 yolov11，python=3.10 表示在这个环境里使用 Python 3.10 版本，-y 表示遇到确认直接选 Yes，不用你手动敲 y。
为什么选 Python 3.10？因为目前 PyTorch 和 ultralytics 对 3.10 的兼容性非常稳，3.11、3.12 也能用，但某些第三方库的 Windows 预编译包还是 3.10 更齐全。等待下载完 Python 基础环境后，继续执行：
conda activate yolov11如果成功，命令行左边会多出 (yolov11) 字样，比如 (yolov11) C:\Users\xxx>。看到这个就说明你现在所有操作都在这个虚拟环境里了。以后每次新开终端，想用 YOLOv11，都要先敲 conda activate yolov11。
3.3 让下载速度变快的换源操作
这一步对国内用户几乎是必做项。Anaconda 默认下载 Python 包走的是官方源，速度不稳定，尤其装 PyTorch 和 ultralytics 时可能经常卡在进度条上。换源的意思是让 conda 和 pip 去访问国内镜像服务器，常见的几个：清华、阿里云、中科大，质量都不错。
先在 Anaconda Prompt 里给 conda 配置清华源：
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/ conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/ conda config --set show_channel_urls yes再给 pip 配置清华源：
pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple以后在虚拟环境里 pip install 任何库，都会优先走国内镜像，速度会快不少。这个配置是全局的，不会破坏任何环境，可以放心设置。
3.4 安装 PyTorch：CPU 版和 GPU 版的正确选择
装 PyTorch 是环境配置里最容易混淆的一步。先回答一个常见问题：需不需要手动装 CUDA Toolkit？不需要。PyTorch 的 GPU 版本安装包本身包含了所需的 CUDA 运行库，你只需要保证 NVIDIA 驱动版本够新，然后安装对应的 PyTorch wheel 即可。这也是很多教程没讲清楚的地方。
在第 1 章你看过 nvidia-smi 的输出，右上角有一个 CUDA Version，它代表当前驱动支持的最高 CUDA 版本。如果数字是 12.x，你的机器足够装 CUDA 12.1 版 PyTorch；如果数字是 10.x 或 11.x，则选择对应的 cu118 等版本。
在虚拟环境 yolov11 激活状态下，安装 CPU 版（没有 NVIDIA 显卡或暂时不想管显卡）：
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cpu安装 GPU 版（有 NVIDIA 显卡且驱动 CUDA 版本不低于 12.1）：
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121如果你的驱动只支持 CUDA 11.8，就把最后的 cu121 改为 cu118。安装完成后验证一下：
python -c "import torch; print(torch.__version__); print(torch.cuda.is_available())"如果输出类似 2.5.0+cu121 和 True，说明 GPU 版装好了，后面的 YOLOv11 就能直接用显卡加速。如果输出 False，先检查 nvidia-smi 是否正常显示显卡信息，再检查装的到底是不是 GPU 版。CPU 版这里会输出 False，不用慌，CPU 也能跑，只是慢一些。
这里特别想说一句：第一次配置的时候，如果 GPU 版下载较慢，不妨先用 CPU 版把整个流程跑通，看到检测框之后再回头换 GPU 版。先保住一件事能跑成，再追求速度，效率反而更高。
4. 安装 YOLOv11 并完成首次验证
4.1 安装 ultralytics 软件包
环境准备好后，安装 YOLOv11 本身非常简单。确认当前在 yolov11 环境中，执行：
pip install ultralytics因为前面已经装了 PyTorch，所以 pip 会检查到 torch 已存在，不会重复下载一个巨大的 PyTorch 包，只会下载 ultralytics 本身以及 opencv-python、numpy、pandas、matplotlib 这些依赖。如果之前没有装 PyTorch，pip 也会顺手装上，只是那样你可能拿不到自己想要的 CUDA 版本。所以第 3 章先装 torch 的意义就在这里。
安装完成后，可以查看版本号：
python -c "import ultralytics; print(ultralytics.__version__)"或者：
yolo version如果看到一串版本号，说明 ultralytics 已经正常安装。另外这个包安装后会提供一个叫 yolo 的命令行工具，后面很多操作可以直接用它，可以把它理解为 YOLO 系列的命令行入口。
4.2 验证是否安装成功
光看到 pip 提示“Successfully installed”还不够，建议再跑一条最简单的导入命令。如果导入正常，说明 Python 能找到这个包，依赖也没出问题。
python -c "from ultralytics import YOLO; print('YOLO import ok')"第一次导入时可能会有几秒钟的等待，因为要加载相关依赖。遇到警告不要慌，只要没有红色报错，且最后能看到 YOLO import ok，就算成功。
如果发现导入时报错 No module named 'ultralytics'，多半是当前终端没有激活 yolov11 环境，或者激活了但 pip 装到了别的地方。检查命令行前缀是不是 (yolov11)，可以用 pip list 看看 ultralytics 在不在列表里。
另外建议为每个项目单独建一个文件夹，专门放图片、视频和权重，比如 D:\yolo_test。不要图省事把文件放桌面，后面路径有中文或空格时容易踩坑。
4.3 准备 yolo11n.pt 权重文件
YOLOv11 不是纯代码，它还需要一个“权重文件”，里面保存了模型学习到的参数。官方的预训练权重有 yolo11n.pt、yolo11s.pt、yolo11m.pt、yolo11l.pt、yolo11x.pt 五档，n 是最轻量级，文件最小，第一次验证用它是首选。
如果你直接运行 YOLO("yolo11n.pt")，程序会自动尝试从官方地址下载这个文件到当前目录；但网络不稳定时可能下载失败，不如下载步骤前置，自己在浏览器里打开 Ultralytics 官方发布页面，下载 yolo11n.pt，放到刚才建好的 D:\yolo_test 文件夹下。别嫌手动下载麻烦，它是整个安装过程中最容易失败也最好解决的问题。文件不大，大约 5 到 6 MB。
如果服务器上有多个项目，或者你想重复使用这个权重，也可以单独建一个 weights 目录，用命令 model = YOLO(r"D:\yolo_test\weights\yolo11n.pt") 指定完整路径，效果一样。
4.4 用一张图片完成第一次检测
把一张有清晰主体的普通照片放到 D:\yolo_test 下，名字建议用英文，比如 test.jpg，不要用“测试照片.jpg”或带空格的名字。进入命令行后先激活环境：
conda activate yolov11 cd /d D:\yolo_test yolo predict model=yolo11n.pt source=test.jpg程序会先加载权重，然后在图片上运行检测。如果你的电脑是 CPU，小图片可能要等一两秒；有 GPU 会非常快。成功后，命令行会显示检测到了什么物体、置信度多少，并且输出类似：
image 1/1 ... 2 persons, 1 backpack在 D:\yolo_test 下会多出一个 runs/detect/predict 文件夹，里面保存着标注好检测框的 test.jpg。可以打开看看，检测框和标签已经画上去了。到这里，整个安装闭环已经完成：环境、依赖、模型、推理全部跑通。
注意：第一次运行画图时，程序可能尝试下载一个字体文件用于在图片上写标签，如果这一步卡住，可以先放着，后面常见问题部分有解决办法。
5. 开始你的第一次推理：图片、视频与摄像头
5.1 命令行检测与常用参数
第一个命令是 yolo predict，其实它还有很多参数可以调。最常用的是 conf（置信度阈值）和 iou（框间重合度阈值）。conf 越高，模型越保守，只输出它很有把握的目标；比如设成 0.5 就只输出置信度超过 50% 的结果。iou 控制两个重叠框的合并程度，值越小，重叠比较大的框越容易被当成同一个物体去掉，适合目标挨得很近的场景。
一个完整的例子：
yolo predict model=yolo11n.pt source=test.jpg conf=0.3 iou=0.5如果对输出结果不满意，比如想看到更多小目标，可以调低 conf 再跑一次。命令行适合快速测试，但真正的项目里更多会写 Python 脚本，因为要批量处理、读取坐标、定制逻辑。
5.2 Python 脚本检测与结果保存
在 D:\yolo_test 下新建一个 py 文件，比如 detect.py：
from ultralytics import YOLO model = YOLO("yolo11n.pt") results = model.predict(source="test.jpg", save=True, conf=0.25, device="cpu")然后运行：
python detect.pydevice 参数可以指定用 CPU 还是 GPU。如果不知道用哪个，直接不写 device，程序会自动选择可用的 GPU，没有 GPU 就用 CPU。results 是一个列表，每个元素对应一张图片的检测结果，可以通过遍历拿到每个框的坐标、置信度和类别 ID：
for result in results: for box in result.boxes: print(box.xyxy, box.conf, box.cls)这些坐标就是后续做计数、报警、裁剪等业务逻辑的基础。注意保存结果时，save=True 默认写到 runs/detect/predict，第二次运行会生成 predict2，以此类推，所以不用担心覆盖以前的结果。
5.3 模型尺寸怎么选：n 到 x 该怎么挑
官方预训练模型从 n 到 x 体积越来越大、速度越来越慢、精度也越来越高。针对不同情况可以这样选：只是跑通流程、CPU 机器，用 n；追求速度且硬件一般，用 s；有不错的 NVIDIA 显卡且希望精度好一些，用 m；做严肃业务且 GPU 显存足够，用 l 或 x。第一次尝试时，n 足够让你感受到 YOLOv11 的完整能力。
同一个模型在 CPU 和 GPU 上的速度差距可能是几十倍。实际体感上，用 CPU 跑 yolo11n 处理一张普通照片大概要 1 到 3 秒，用 GPU 往往几十毫秒。如果是视频，CPU 会明显掉帧，GPU 流畅很多。这也是为什么有条件的话，第二步就是解决 GPU 加速。
5.4 视频和摄像头检测
只要把 source 参数换成视频文件路径，就能逐帧检测：
yolo predict model=yolo11n.pt source=test.mp4换成摄像头也很简单，Windows 下把 source 换成 0：
yolo predict model=yolo11n.pt source=0这里的 0 表示第一个摄像头设备。检测结果同样会保存到 runs/detect/predict 下，视频推理会生成带标注的新视频。第一次跑视频时如果很卡，先看是不是模型太大、CPU 太弱，换 yolo11n 或降低视频分辨率再试。
6. 常见问题与排查实录
6.1 conda 命令找不到怎么办
这是最常出现在新手身上的问题。处理思路：如果你本来就没有勾 Add to PATH，直接用开始菜单里的 Anaconda Prompt 操作，这个终端本身已经配置好了 conda 运行环境；如果想在普通 cmd 或 PowerShell 里也能用，运行一次 conda init cmd.exe（或 conda init powershell），然后重新打开终端。如果不想改配置，就手动把 Anaconda 的三个路径加进系统 PATH。记住，只加一个安装目录往往不够，Scripts 和 Library\bin 也要加，否则后面 conda 虽然能启动，但有些库还是找不到。
6.2 安装慢、下载失败、超时
这类问题多出在第 3 章的 PyTorch 安装和第 4 章的 pip install ultralytics 阶段。先检查是否已经换好国内 pip 源（第 3 章命令），再检查终端是否处于 yolov11 环境。如果 pip 源已经换了还是超时，可以给 pip 增加超时时间和重试次数：
pip install ultralytics --timeout 60 --retries 3实在装不动 PyTorch GPU 版时，退一步装 CPU 版把流程跑通，比卡在下载上更划算。Anaconda 安装包下载不下来就换清华镜像的 exe。这类问题大部分是网络环境差异造成的，同一个办法在你的电脑上不一定一秒解决，多一点耐心多试几次是正常的。
6.3 权重文件和字体下载失败
权重下载失败的表现是运行 yolo predict 时报错，提示无法下载 yolo11n.pt 或超时。解决办法就是手动下载 yolo11n.pt 并放到当前工作目录，指定 model=yolo11n.pt 时程序检测到文件存在就不会再去下载。大模型同理。
另一个隐蔽问题是字体下载。Ultralytics 在保存标注图片时如果需要写文字标签，可能会尝试下载 Arial.ttf 字体；如果网络不好，程序会卡在那里不动或报错。解决办法是提前准备一个 arial.ttf，放到 C:\Users\你的用户名\AppData\Roaming\Ultralytics 目录下，文件名必须叫 arial.ttf，再重新运行。这样程序就不会每次都去尝试下载外部资源。
6.4 运行时报错速查表
下面整理的几个高频问题，是我在帮人排错时见得最多的：
| 现象 | 可能原因 | 解决办法 |
|---|---|---|
| 提示 conda 不是内部或外部命令 | PATH 未配置或没勾选添加 | 用 Anaconda Prompt，或运行 conda init，或手动加 PATH |
| 导入 torch 报 No module named 'torch' | 没在 yolov11 环境安装 torch | 激活环境后执行安装命令，再确认 pip list |
| torch.cuda.is_available() 为 False | 装的是 CPU 版，或驱动过旧 | 换 GPU 版命令重装，更新 NVIDIA 驱动 |
| 图片读取失败或路径报错 | 路径含中文或空格 | 改成全英文路径，文件用英文名 |
| yolo predict 卡住不动 | 正在下载权重或字体 | 手动下载权重，手动放字体文件 |
| 运行一段时间后内存暴涨 | 用视频或摄像头时帧率太高 | 调小视频，或用 yolo11n，或降低分辨率 |
| 终端出现 This Python interpreter is in a conda environment but ... | 激活了环境但 Python 解释器地址不对 | 确认环境已激活，重启终端后再运行 python |
| Anaconda Navigator 一直打不开 | 桌面端异常 | 直接用 Anaconda Prompt 操作，或 conda update anaconda-navigator |
这几条是我认为安装过程中最值得提前了解的风险点。真遇到了先按表格走，90% 的问题能自己解决。
7. 写在最后：几条能省时间的经验
大概是因为我吃过太多环境迁移的苦，现在每次装 YOLOv11 都会坚持三个习惯，分享给你。
第一，永远先确认终端前缀里有 (yolov11) 再动手。我真的见过不少人在普通 cmd 里 pip install ultralytics 装成功，但导入时说找不到模块，就是因为装到了系统 Python，而代码用的解释器是虚拟环境。每次新开终端，第一件事就是 conda activate。
第二，不要一上来就追求 GPU 版。第一次配置时用 CPU 版把图片检测跑通，看到框出来了，再去处理显卡驱动、CUDA 版本这些问题。一次只解决一个问题，定位起来会快很多。
第三，给每个实验都单独建文件夹和工作目录，图片、权重、脚本分开放。深度学习项目文件一多，命名混乱找起来特别痛苦。
如果后面你想把 YOLOv11 用于自己的数据，那方向就变成“训练自己的模型”了，核心会从安装切换到数据集标注和训练参数。但不管怎么扩展，今天装好的这套 Anaconda + yolov11 环境都会一直陪着你，值得把它弄稳定。
