Yolo11环境配置win+Python+Anaconda--小白目标检测学习专用（超详细）
本文基于Anaconda和Pycharm已经安装
目录
一、下载Yolo11的源代码
二、部署环境
1.打开Anaconda软件
2.创建环境
3.运行环境
4.安装必要的包
注意：如果你下载包很慢
4.1安装Torch
4.1.1【GPU版本】
4.1.2【CPU版本】
4.2安装其他依赖包
三、运行项目
1.打开项目
2.更换解释器
3.验证运行
四、如何训练以及数据集配置
1.训练代码
2.数据集配置文件的创建
3.训练结果图的参数介绍
4.WiderPerson数据集（附加）
一、下载Yolo11的源代码
1.云盘链接 (无需加速 yolov11的版本为8.3.11 24年10月上传)
包括yolov11n.pt的文件一并下载
云盘链接 yolo11的123云盘链接
2.GitHub官方链接（需要加速）
GitHub - ultralytics/ultralytics: Ultralytics YOLO11 🚀
没有加速方法的话可以下载下面这个加速器，加速Github（steam也能加速哟）
瓦特工具箱(Steam++官网) - Watt Toolkit (steampp.net)
点击官网的那个【绿色Code按钮】再点击【Download ZIP】进行下载
下载得到一个压缩包，把它解压到你的电脑上的文件夹里就行了
官网往下滑点击YOLO11n下载
3.把yolo11n.pt文件放到yolo项目的根目录里
二、部署环境
1.打开Anaconda软件
点击左侧的【Environments】
2.创建环境
点击软件下方的【Create】
Name是环境的名称，用英文，比如yolo
Location是环境保存的路径
Packages这里选Python，版本选择3.10的
点击【Create】然后等待下载完成就行了
3.运行环境
直接点yolo旁边的【绿按钮】，再点击弹出来的【Open Terminal】就会打开环境终端了，接下来的操作都在这个黑框框里进行
终端如下
4.安装必要的包
注意：如果你下载包很慢
如果下载失败或者非常慢，正常pytorch的包预计一分钟内下完，如果确定你的本地网络没问题的话，就看下一步配置清华大学镜像源
以下两个命令选其一在终端进行
如果只是临时下载一个包，可以执行：（一次性使用）
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple 包名
如果不想每次都添加的话，可以永久修改，这样不用每次都加辣莫长的网址了
pip install pip -U pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple
4.1安装Torch
点击打开官网：PyTorch
4.1.1【GPU版本】
（重要：你的电脑装载了英伟达的显卡，比如RTX3060）
打开官网网址，往下滑，找到如图位置，可以按我图中的选
版本就选最新版就可以，比如Stable（2.5.0）的
（想使用老版本的可以点击左下角的【Previous versions of PyTorch】）
最后复制【Run this Command】的代码到你的环境终端（就那个黑框框）回车运行就开始下载安装了
安装结束后
验证GPU版本的PyTorch是否成功安装
（顺手创建个py文件复制下面代码运行一下就行）
运行这个之前你要先把整个环境配置好，马上了 OvO
import torch # 如果pytorch安装成功即可导入 print(torch.__version__) # 查看pytorch版本 print(torch.cuda.is_available()) # 查看CUDA是否可用 print(torch.cuda.device_count()) # 查看可用的CUDA数量 print(torch.version.cuda) # 查看CUDA的版本号
如果输出true就可以了
4.1.2【CPU版本】
（重要：如果你的电脑没有独立显卡选这个版本，CPU跑代码会很慢）
打开官网网址，往下滑，找到如图位置，可以按我图中的选
版本就选最新版就可以，比如Stable（2.5.0）的
（想使用老版本的可以点击左下角的【Previous versions of PyTorch】）
最后复制【Run this Command】的代码到你的环境终端（就那个黑框框）回车运行就开始下载安装了
（下载ing...）
4.2安装其他依赖包
在终端上输入cd命令 转到你的yolo11项目的文件路径
如果不在C盘就先转到其他盘如D盘就是D: E盘就是 E: 然后回车
D:
再输入 cd 你的yolo项目路径（我这里用我的C盘目录举个栗子）
cd C:\Users\11131\Desktop\DeepLearn\yolov11
在这个yolo的项目路径新建一个文本文档，如requirements.txt
把下面的代码复制进去保存关闭文本
# Base ------------------------------------------------------------------------ gitpython>=3.1.30 matplotlib>=3.3 numpy>=1.23.5 opencv-python>=4.1.1 pillow>=10.3.0 psutil # system resources PyYAML>=5.3.1 requests>=2.32.2 scipy>=1.4.1 thop>=0.1.1 # FLOPs computation torch>=1.8.0 # see https://pytorch.org/get-started/locally (recommended) torchvision>=0.9.0 tqdm>=4.66.3 ultralytics>=8.2.34 # https://ultralytics.com # protobuf=2.4.1 # clearml>=1.2.0 # comet # Plotting -------------------------------------------------------------------- pandas>=1.1.4 seaborn>=0.11.0 # Export ---------------------------------------------------------------------- # coremltools>=6.0 # CoreML export # onnx>=1.10.0 # ONNX export # onnx-simplifier>=0.4.1 # ONNX simplifier # nvidia-pyindex # TensorRT export # nvidia-tensorrt # TensorRT export # scikit-learn=2.4.0,=3.9.0 # TF.js export # openvino-dev>=2023.0 # OpenVINO export # Deploy ---------------------------------------------------------------------- setuptools>=70.0.0 # Snyk vulnerability fix # tritonclient[all]~=2.24.0 # Extras ---------------------------------------------------------------------- # ipython # interactive notebook # mss # screenshots # albumentations>=1.0.3 # pycocotools>=2.0.6 # COCO mAP
在终端中运行
pip install -r requirements.txt
三、运行项目
1.打开项目
右键你的yolo根目录文件夹，点击Open Folder as Pycharm...
通过Pycharm打开整个项目
2.更换解释器
先点击右下角【无解释器】，然后添加新的本地解释器
没有Conda可执行文件的话就点浏览，寻找Anaconda软件目录下的condabin文件夹里的conda.bat然后点击【加载环境】
选择我们刚才创建的yolo环境就行了
3.验证运行
在yolo根目录新建val.py文件,并复制以下代码进行运行
from ultralytics import YOLO
if __name__ == '__main__':
# 加载模型
model = YOLO(model=r'yolo11n.pt')
# 进行推理
model.predict(source=r'ultralytics/assets/bus.jpg', # source是要推理的图片路径这里使用yolo自带的图片
save=True, # 是否在推理结束后保存结果
show=True, # 是否在推理结束后显示结果
project='runs/detect', # 结果的保存路径
)
运行成功的话结果如下：
至此环境配置完成
四、如何训练以及数据集配置
1.训练代码
在yolo11的根目录创建一个新的train.py的文件，把以下代码内容进入train.py
其中，data是你数据集的配置文件路径
from ultralytics import YOLO
if __name__ == '__main__':
# 记录训练开始时间
start_time = datetime.now()
model = YOLO(model=r'yolo11n.pt') # .pt类型的文件是从预训练模型的基础上进行训练
# model = YOLO(model=r'ultralytics/cfg/models/11/yolo11s.yaml') # .yaml文件是从零开始训练，后缀n s x等是不同参数的模型，看具体应用场景
# 开始训练
model.train(data=r'D:\填入数据集yaml文件的地址\文件名.yaml', # 填入训练数据集配置文件的路径
imgsz=640, # 该参数代表输入图像的尺寸，指定为 640x640
epochs=200, # 该参数代表训练的轮数，默认100
# 但一般对于新数据集，我们还不知道这个数据集学习的难易程度，可以加大轮数，例如300，来找到更佳性能
batch=-1, # 每个批次中的图像数量。在训练过程中，数据被分成多个批次进行处理，每个批次包含一定数量的图像。
# 这个参数确定了每个批次中包含的图像数量。特殊的是，如果设置为-1，则会自动调整批次大小，至你的显卡能容纳的最多图像数量。
workers=8, # 该参数代表数据加载的工作线程数，出现显存爆了的话可以设置为0，默认是8
device='0', # 该参数代表用哪个显卡训练，0是GPU CPU就是直接写CPU
resume=False, # 该参数代表是否从上一次中断的训练状态继续训练。设置为False表示从头开始新的训练。如果设置为True，则会加载上一次训练的模型权重和优化器状态，继续训练。
name='yolo_res', # 该参数代表保存的结果文件夹名称（文件保存在上面project路径里）
)
训练的参数详解可以看这位大佬写的（写的非常非常好）yolov8和v11的参数基本都一样
YOLOv8训练参数详解（全面详细、重点突出、大白话阐述小白也能看懂）-CSDN博客
2.数据集配置文件的创建
假设你的数据集名字为"person_dataset"，那么它的子文件夹应如下创建（除了Readme.txt是作者自己乱写的，实际不需要）.yaml文件就是数据集的配置文件
为了方便使用，写成如下内容：train和val不需要更改，test可选用，nc代表你数据集有多少类别，比如person, cat, dog这是三个类别，nc后填3，那么names后面也要写上这三个类别
# train and val data as 1) directory: path/images/, 2) file: path/images.txt, or 3) list: [path1/images/, path2/images/] train: images/train val: images/val test: # number of classes nc: 1 # class names names: ["目标检测的类别名字"]
images和labels文件里的子文件夹名字都有两个并且只有名字是一样的如下：
train（训练集）和val（验证集）里存放各自的图片和标签，一般val只需存放数据集总量的15%-20%，剩下的都放置在训练集里
3.训练结果图的参数介绍
-
最重要的指标：metrics/mAP50(B) 和 metrics/mAP50-95(B) 是评估模型性能的核心指标，直接反映了模型在目标检测任务中的表现。
-
重要的损失指标：train/box_loss、train/cls_loss、train/dfl_loss、val/box_loss、val/cls_loss、val/dfl_loss 反映了模型在训练和验证过程中的表现。
-
次要指标：epoch、time、lr/pg0、lr/pg1、lr/pg2 主要用于监控训练过程和调试。
在YOLO（You Only Look Once）目标检测模型的训练过程中，输出的每个参数都代表了模型在不同方面的表现。
以下是对每个参数的详细解释及其重要性：
1. epoch
-
含义：当前训练的轮次。一个epoch表示模型已经遍历了整个训练数据集一次。
-
重要性：重要。随着epoch的增加，模型通常会逐渐收敛，但过多的epoch可能导致过拟合。
2. time
-
含义：当前epoch所花费的时间（通常以秒为单位）。
-
重要性：次要。主要用于监控训练速度，帮助评估训练效率。
3. train/box_loss
-
含义：训练集上的边界框回归损失。衡量模型预测的边界框与真实边界框之间的差异。
-
重要性：重要。较低的box_loss表示模型在定位目标方面表现较好。
4. train/cls_loss
-
含义：训练集上的分类损失。衡量模型预测的类别与真实类别之间的差异。
-
重要性：重要。较低的cls_loss表示模型在分类目标方面表现较好。
5. train/dfl_loss
-
含义：训练集上的分布焦点损失（Distribution Focal Loss）。这是YOLOv8中引入的一种损失函数，用于优化分类任务。
-
重要性：重要。较低的dfl_loss表示模型在分类任务上的表现较好。
6. metrics/precision(B)
-
含义：模型在验证集上的精确率（Precision）。精确率表示模型预测为正样本的样本中，实际为正样本的比例。
-
重要性：重要。高精确率表示模型预测的正样本中误报较少。
7. metrics/recall(B)
-
含义：模型在验证集上的召回率（Recall）。召回率表示实际为正样本的样本中，被模型正确预测为正样本的比例。
-
重要性：重要。高召回率表示模型能够检测到更多的正样本。
8. metrics/mAP50(B)
-
含义：模型在验证集上的mAP（mean Average Precision）@0.5 IoU阈值。mAP50表示在IoU阈值为0.5时的平均精度。
-
重要性：非常重要。mAP50是评估目标检测模型性能的核心指标之一，较高的mAP50表示模型在检测目标方面表现较好。
9. metrics/mAP50-95(B)
-
含义：模型在验证集上的mAP@0.5:0.95 IoU阈值。这是在不同IoU阈值（从0.5到0.95，步长为0.05）下的平均精度。
-
重要性：非常重要。mAP50-95是一个更全面的评估指标，能够反映模型在不同IoU阈值下的表现。
10. val/box_loss
-
含义：验证集上的边界框回归损失。
-
重要性：重要。较低的val/box_loss表示模型在验证集上的定位表现较好。
11. val/cls_loss
-
含义：验证集上的分类损失。
-
重要性：重要。较低的val/cls_loss表示模型在验证集上的分类表现较好。
12. val/dfl_loss
-
含义：验证集上的分布焦点损失。
-
重要性：重要。较低的val/dfl_loss表示模型在验证集上的分类任务表现较好。
13. lr/pg0, lr/pg1, lr/pg2
-
含义：不同参数组的学习率（learning rate）。YOLO模型通常将参数分为不同的组（如卷积层、批归一化层等），并为每个组设置不同的学习率。
-
重要性：次要。学习率的调整对模型训练有重要影响，但这些参数主要用于监控和调试。
4.WiderPerson数据集（附加）
此数据集官网：WiderPerson: A Diverse Dataset for Dense Pedestrian Detection in the Wild
另外，下面这个网盘里的是我经过处理后的，可以直接用于yolo训练的数据集
https://www.123684.com/s/7G74jv-W4cqh
总共两个数据集，一个是处理成yolo标注格式后的正常数据集，一个是把数据量8：1缩减后的mini数据集
mini版数据量小适合新手以及电脑显卡性能不好的使用（训练快），训练集图片1000张（原数据集8000张）
-
-
-
-
-
-
-
-
-
-
-
-
-
