从环境搭建到目标检测-零基础版YOLO(v1...v11-v12.....)训练-服务器(Ubuntu)版 and Windows版
我这里是文字版，如果你操作完成后，或者想看视频版，可直接去看 B站上的 @林亿饼 的教学视频
如果你是Windows系统，100%推荐去看他的视频，并给他献上三连，如果是Ubuntu系统也强烈推荐去看它的视频，如果你不想费时间去看视频，或者已经看完了，只是忘记了某个步骤，可以来看我的文字版，可以快速解决你的问题
B站视频教程(Windows版)：
https://www.bilibili.com/video/BV182bZzMEYD?vd_source=69676061361fa9cf1035e8d2314644c9
https://www.bilibili.com/video/BV182bZzMEYD?vd_source=69676061361fa9cf1035e8d2314644c9
先看成果（本教程主要是环境搭建和使用已经训练好的模型来验证，或者直接使用已经训练好的模型，如果要自己训练YOLO模型，请点开我的主页）：
这是目标检测
这是人体姿态检测
这是目标检测，是一张图片
这是我的百度网盘，下面提到的都在这里面
https://pan.baidu.com/s/1_xW_YlPa7Jj_rMOO8fRpKg?pwd=saw1
（所有的操作默认要使用NVIDIA GPU）
一，查看GPU型号，内存大小，确定电脑配置
Windows版：
1，打开任务管理器，按win+x然后选择然后管理器，按图操作可以看到GPU0和GPU1，我们要选择有NVIDIA字样的，就是GPU1，可以看到自己的GPU型号（我这里是RTX 4060），然后查看它的GPU内存，要大于等于4GB才可以用，如果满足这些条件那就可以使用GPU，然后查看内存大小，要大于等于16G，确定好了，我们就可以开始下一步了。
服务器(Ubuntu)版：
运行下面命令查看GPU型号：
nvidia-smi
二，安装yolo源代码，下载ultralytics源代码，下载需要的预训练模型
Windows版：
1,在浏览器中输入以下网址，然后回车就可以看到收藏最多的ultralytics，然后点击它
https://github.com/search?q=ultralytics&type=repositories
为了确保后面的操作一致，我们和b站教学保持一致，先按图片操作选择v8.3.163的版本，然后点击Code，再点击Download.ZIP就可以下载它了（如果你打开不了github，可以点击我的百度网盘，找到 “步骤二ultralytics” 的文件名，里面就是已经下载好的ultralytics，这里面还有yolov8n.pt）
扩展：
YOLO 模型的命名规则（以 YOLOv8 为例）：
YOLO 每个版本（v8/v11）都会提供不同体量的模型，后缀代表模型大小：
n：nano（超小型，参数最少、速度最快、精度略低）
s：small（小型）
m：medium（中型）
l：large（大型）
x：extra large（超大型，参数最多、精度最高、速度最慢）
2，下载好后，解压一下，解压完成后，创建一个文件夹专门来放YOLO源代码
3，下载预训练模型(.pt文件，后面可以直接使用这些训练好的文件来验证或者直接用它们做项目)
打开网址，然后Ctr+f搜索，输入yolo11就可以查看到已经训练好的yolo模型（这里以轻量级的yolo11n为例，你可以搜索选择自己想要的）：
https://github.com/ultralytics/assets/releases
然后我这里选择了三个，你可以选择自己想要的下载（需要这三个可以打开我的百度网盘找到 “步骤二yolo模型” 里面有这三个）
1，yolo11n.pt（目标检测，识别图像 / 视频中的物体，并在物体周围画 “矩形框”）
2，yolo11n-seg.pt（实例分割，不仅能检测物体，还能精确 “抠出” 物体的轮廓）
3，yolo11n-pose.pt（姿态估计，检测人体的关键点）
下载好后把它们拖到程序源码里：
到这里就把程序源码别人已经训练好的模型准备好了
服务器(Ubuntu)版：
1，这里可以有两种方式
方式一：
(就是像上面Windows版一样，把它下载下来，然后我们是ssh远程连接的，在Ubuntu中创建一个文件夹专门来放我们的YOLO，然后把zip拖进去就可以了，我使用的是FinalShell）
方式二:
在终端输入：
git clone https://github.com/ultralytics/ultralytics.git
这个方式大概率会卡住，而且如果你没有下载git，也不能使用，推荐使用方式一
2，解压文件夹
先检查是否安装 unzip
unzip --version如果提示 command not found，则需要先安装：
sudo apt update && sudo apt install unzip -y直接解压到当前目录
unzip ultralytics-8.3.163.zip
3，下载预训练模型（我们这里直接使用Windows版的方式下载，然后拖到我们的源码文件里即可）
三，安装Anaconda，设置conda和pip镜像
Windows版：
1，在浏览器中输入网址，然后ctr+f搜索 “2024.06-1” 然后根据你的电脑版本选择进行下载（不知道为什么，现在这个网址打不开了，如果你是Windows系统的电脑，可以打开我的百度网盘 找到 “步骤三Anconda3安装包”，这里面有我已经下载好的Windows系统的安装包）：
https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/2，然后点开安装包，这里选择Just Me，然后后面的全部默认
3，按下win键，搜索 "anaconda prompt" 并打开
4，设置conda和pip镜像
输入下面命令回车：
notepad .condarc然后在记事本中粘贴下面内容并保存：
channels:
- defaults
show_channel_urls: true
default_channels:
- https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main
- https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/r
- https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/msys2
custom_channels:
conda-forge: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
pytorch: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
然后conda镜像就设置好了，如果这里出现了问题，打开B站，然后 拖动进度条到 10:26
【YOLO环境配置】https://www.bilibili.com/video/BV182bZzMEYD?vd_source=69676061361fa9cf1035e8d2314644c9
5.设置pip镜像
运行下面命令，看到图片上的内容，说明pip镜像设置好了：
pip config set global.index-url https://mirrors.tuna.tsinghua.edu.cn/pypi/web/simple
服务器(Ubuntu)版：
1，下载软件我们还是和Windows的操作方式一样，Linux版本的，可以打开我的百度网盘，找到 “步骤三Anconda3安装包”，这里面有我已经下载好的Linux系统的安装包，然后按图操作把它拖到我们的YOLO文件中
2. 先给安装包添加可执行权限
chmod +x Anaconda3-2024.06-1-Linux-x86_64.sh3.执行安装脚本
./Anaconda3-2024.06-1-Linux-x86_64.sh4.按照向导提示操作
第一步：按Enter键阅读许可协议（或直接按q跳过阅读），然后输入yes同意协议。
第二步：选择安装路径（默认是/home/gly/anaconda3，直接按Enter用默认路径即可）。
第三步：询问是否初始化 Anaconda（是否将其加入环境变量），输入yes（否则后续需要手动配置环境变量）。
5.使环境变量生效（到这里，每次打开终端就会进入base环境，我们还要后面的操作）
source ~/.bashrc6.关闭 Anaconda 的自动激活
conda config --set auto_activate_base false7.手动激活base环境的命令(需要用 Anaconda 时，手动运行下面命令)
conda activate base8.设置conda和pip镜像
输入下面命令打开.condarc配置文件：
nano ~/.condarc
然后把下面的内容粘贴进去（这个粘贴进去有点乱，下面有更好的方式）：
channels:
- defaults
show_channel_urls: true
default_channels:
- https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main
- https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/r
- https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/msys2
custom_channels:
conda-forge: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
pytorch: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud直接复制下面命令并运行，它会在.condarc 文件追加内容
cat <> ~/.condarc
channels:
- defaults
show_channel_urls: true
default_channels:
- https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main
- https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/r
- https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/msys2
custom_channels:
conda-forge: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
pytorch: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
EOF 下图是这条命令的效果
9.设置pip镜像
运行下面命令，看到如图所示，说明pip镜像设置好了：
pip config set global.index-url https://mirrors.tuna.tsinghua.edu.cn/pypi/web/simple
四，安装YOLO环境（创建YOLO环境，安装pytorch，安装其它包）
Windows版：
1.输入下面命令创建python环境（让你选择的时候直接回车即可确认）：
conda create -n yolo python=3.11然后输入下面命令查看创建的python（yolo是给它取的名字）环境
conda env list
输入下面命令进入yolo环境(每次进入环境都是进入base环境，我们每次都要执行这个命令进入yolo环境：
conda activate yolo
2.安装显卡，这里我默认是英伟达非50系列（1050Ti,2050,3060,4060）的为例子
如果你的电脑是50系列的或者没有显卡，请按照B站教程进行选择，打开下面教程链接，然后把进度条拖到15:50
【YOLO环境配置】
https://www.bilibili.com/video/BV182bZzMEYD?vd_source=69676061361fa9cf1035e8d2314644c9
输入下面命令查看显卡驱动：
nvidia-smi如果CUDA Verion大于11.8就可以直接安装PyTorch，如果小于11.8，就要重新安装一下显卡驱动后才能安装PyTorch
（图1）
3.输入下面网址进入英伟达显卡驱动下载界面，然后根据你的电脑输入完信息后点击搜索，搜索完后会有很多版本，顺便选择一个都可以（如果你不知道要怎么去填，可以这样操作，把你的电脑的下面这张图片(图2)和上面那张图片(图1)丢给ai，让它教你填一下信息，就说：“这是我的笔记本电脑的信息，你看看我要怎么去填我的信息去搜索我的显卡驱动”）
nvidia.cn/geforce/drivers/
（图2）
安装好后直接打开安装包，然后全部保持默认一直点击下一步即可（如果有报错，不用管它选择是），安装好后按照提示重启电脑就完成了
可再次运行下面命令查看，会发现它大于11.8，就完成了
nvidia-smi
4.安装pytorch（要在yolo环境）
pip install torch==2.5.0 torchvision==0.20.0 torchaudio==2.5.0 --index-url https://download.pytorch.org/whl/cu118如果上面的安装太慢了可运行下面命令进行安装（从国内镜像网站进行安装）
pip install torch==2.5.0 torchvisio==0.20.0 torchaudio==2.5.0 -f https://mirrors.aliyun.com/pytorch-wheels/cu118安装好后运行下面命令，查看是否成功，如果显示如图类似信息，那说明成功了
pip show torch
然后输入
python进入python环境
再输入
import torchvision如果没有报错说明torchvision没有问题
再输入
import torchtorch.cuda.is_available()如果显示True，说明GPU可用
再输入
torch.randn(1).cuda()如图所示，那说明完全没有问题了
然后按住ctr+z退出
5.安装剩余的包
输入命令
#这里的路径选择你自己的yolo源码路径
pushd F:yolo_sourceultralytics-8.3.163
然后输入下面命令就开始安装剩余的包了
pip install -e .
6.
然后运行命令进行目标检测模型的推理
yolo detect predict再到结果保存的地方去查看训练结果
打开yolo源码
然后进入下面文件夹即可看到训练结果图片
runs/detect/predict
如图，那yolo环境就配置完成了
五，安装PyCharm，配置PyCharm环境，在PyCharm中运行YOLO
a.打开下面网址，然后直接下载即可，这个是Windows版本的（我的百度网盘里也有已经下载好的，如果你需要可以自己使用，注意，现在的pycharm把社区版和专业版融合了，你下载好和它会有一个月的专业版免费使用时间，到期后，选择免费的就够用了）：
https://www.jetbrains.com/pycharm/download/download-thanks.html?platform=windows
b.下载安装好后打开，然后按图操作，打开我们的YOLO源码
c.打开好后，我们开始设置环境，就是告诉pycharm，要用那个环境来运行我们的这个源码，先按照图片操作点击（注意，我这里已经设置好了的，我是演示一遍，跟着我操作即可，不用管我哪里有什么），
然后这里要选择一下conda路径，就是我们之前安装的那个，你安装在什么路径，就去选择一下
打开后，就可以就可以看到我们之前设置的yolo环境了，选择它，然后确认，我们的YOLO环境就设置好了（注意这里可能会出现确定点击不了的情况，这个好像是bug，可以点击一下"生成新的"，再点击回"选择现有"，然后再点击确认就可以了）
然后要等待一会，看到屏幕右下角有yolo这个标志，那就说明设置成功了
然后到这里就Windows的YOLO环境就全部结束了，下面我给你一个py代码，你运行就可以看到YOLO目标检测了
import cv2
from ultralytics import YOLO
model = YOLO(r"yolov8n.pt")
results = model(
source=1, # source=0表示使用电脑摄像头，source=1表示使用USB连接的摄像头
stream=True,
)
for result in results:
plotted = result.plot()
cv2.imshow("YOLO Inference", plotted)
if cv2.waitKey(1) & 0xFF == ord('q'):
break
在当前的文件里创建一个mycam.py，然后把上面的代码复制进去 ctr+s 保存，注意，这里有source=0, # source=0表示使用电脑摄像头，source=1表示使用USB连接的摄像头，你对应选择就可以了
然后点击绿色的运行按钮，你就可以看到它目标检测的画面了，后面我们把自己训练的pt文件和这个代码里的yolov8n.pt替换就可以运行我们自己的YOLO模型了，yolov8n.pt就是我们第二步骤的下载的预训练模型，可以替换为yolov11n.pt和其它，都可以自己试试，只需要改那一处即可
然后到这里，YOLO环境就配置完成了，如果你后面要自己训练yolo模型，请看我的主页，有yolo数据集的准备，如何训练自己的yolo模型
服务器(Ubuntu)版：
1.输入命令创建python环境（选择时直接回车确认）
conda create -n yolo python=3.11然后输入下面命令查看创建的python（yolo是给它取的名字）环境
conda env list
输入下面命令进入yolo环境（每次都要执行这个命令进入yolo环境）：
conda activate yolo
2.安装显卡，这里我默认是英伟达非50系列（1050Ti,2050,3060,4060）的为例子
如果你的电脑是50系列的或者没有显卡，请按照B站教程进行选择，打开下面教程链接，然后把进度条拖到15:50
【YOLO环境配置】
https://www.bilibili.com/video/BV182bZzMEYD?vd_source=69676061361fa9cf1035e8d2314644c9
输入下面命令查看显卡驱动：
nvidia-smi如果CUDA Verion大于11.8就可以直接安装PyTorch，如果小于11.8，就要重新安装一下显卡驱动后才能安装PyTorch
（图1）
3.输入下面网址进入英伟达显卡驱动下载界面，然后根据你的电脑输入完信息后点击搜索，搜索完后会有很多版本，顺便选择一个都可以（如果你不知道要怎么去填，可以这样操作，把你的电脑的下面这张图片(图2)和上面那张图片(图1)丢给ai，让它教你填一下信息，就说：“这是我的Ubuntu电脑(服务器)的信息，你看看我要怎么去填我的信息去搜索我的显卡驱动”）
nvidia.cn/geforce/drivers/
（图2）
我们可以在Windows下载好，然后把它拖到Ubuntu系统中
4.服务器(ubuntu)安装 NVIDIA 驱动比较麻烦，因为Linux 图形界面依赖开源驱动，而 NVIDIA 闭源驱动需要独占显卡资源，所以得临时关闭图形界面避免冲突。
a.先更新系统包
sudo apt update && sudo apt upgrade -yb.禁用 nouveau 开源驱动（避免和 NVIDIA 驱动冲突）
sudo echo "blacklist nouveau" >> /etc/modprobe.d/blacklist.conf
sudo echo "options nouveau modeset=0" >> /etc/modprobe.d/blacklist.confc.更新 initramfs 并重启
sudo update-initramfs -u
sudo rebootd.停止图形界面服务
若你的桌面是GNOME运行下面命令
sudo systemctl stop gdm3
如果是KDE用
sudo systemctl stop sddm
如果是lightdm用
sudo systemctl stop lightdm可以运行下面命令查看你的桌面系统是那个
cat /etc/X11/default-display-managere.进入驱动文件所在的~/YOLO目录：
cd ~/YOLOf.给驱动文件加可执行权限：
chmod +x NVIDIA-Linux-x86_64-590.48.01.rung.执行安装
sudo ./NVIDIA-Linux-x86_64-590.48.01.run -no-x-checkh.安装完成后重启系统
sudo rebooti.重启后验证驱动是否生效(如图所示便是成功了)
nvidia-smi
j.如果重启后桌面没自动出来，也可以手动启动(我这里以lightdm桌为例子)
sudo systemctl start lightdm
5.安装pytorch
pip install torch==2.5.0 torchvision==0.20.0 torchaudio==2.5.0 --index-url https://download.pytorch.org/whl/cu121如果上面的太慢了，可以试试运行下面命令从国内源安装
pip install torch==2.5.0 torchvision==0.20.0 torchaudio==2.5.0 -i https://pypi.tuna.tsinghua.edu.cn/simple --trusted-host pypi.tuna.tsinghua.edu.cn --extra-index-url https://download.pytorch.org/whl/cu121安装好后运行下面命令，查看是否成功，如果显示如图类似信息，那说明成功了
pip show torch
然后输入
python进入python环境
再输入
import torchvision如果没有报错说明torchvision没有问题
再输入
import torchtorch.cuda.is_available()如果显示True，说明GPU可用
再输入
torch.randn(1).cuda()如图所示，那说明完全没有问题了
然后按住ctr+z退出
5.安装剩余的包
输入命令切换路径到你到yolo安装包里面
cd ~/YOLO/ultralytics-8.3.163然后再输入安装命令
pip install -e .
6.然后运行命令进行目标检测模型的推理
yolo detect predict再到结果保存的地方去查看训练结果
如图，那yolo环境就配置完成了
服务器(Ubuntu)，下面是训练示例代码
from ultralytics import YOLO
import torch
if __name__ == '__main__':
torch.cuda.device_count()
model = YOLO(r"yolov8n.pt")
model.train(
data=r"landmark.yaml",
#训练轮数
epochs = 200,
#这是这台服务器的最佳设置值
batch = 396,
#imgsz 把图片放进640*640的框里，imgsz越小训练越快，imgsz必须设置为32的倍数，一般保持默认
#如果图片中要训练的东西小，就可以把imgsz调大，如果要训练的物体小，就用它的原尺寸
imgsz = 640,
#使用4块GPU
device=[0, 1, 2, 3],
#打包，这是我的最佳设置
workers = 1,
#缓存，False表示不使用缓存,cache = "ram" 表示先把所有图片都压缩好放内存里，内存足够大才能容纳这些图片，先缓存好所有图片，缓存和缩放2个工作
#上面这个表示已经帮我缓存好了训练集里的图片
cache = "ram",
#这个表示将训练好的模型保存在results文件夹里
project = "results",
name = "yolov11n_landmark"
)
#训练好后，选择best.pt，这是最好的模型你需要改的地方有几个:
a.这里要选择你自己想训练的YOLO模型（注意，要确保它在你的源码里），就是我们之前下载的
b.这个要改成你的配置文件，如果你是第一次使用，可以点开我的主页，我下一篇笔记就是专门做YOLO数据集准备和YOLO训练的
c.这个要改成你的，如果你是Ubuntu，只有一个GPU，那把这里改成-1，它会自己帮你算出最合适的值，如果你有几个GPU，那也先把这里改成-1，然后把训练轮数改成3，如果开始训练，日志会告诉你（AutoBatch: Using batch-size 99 for CUDA:0 14.12G/23.56G (60%) ✅，比如我这里是99），你一块GPU训练的最佳值，然后我们再把它乘GPU的数量，我这里就是99*4=396，这样每块 GPU 会分到 99 张图，总 batch size 是 396，能最大化利用显存和训练速度。
d.这里，你有几块就使用几块GPU，如果只有一块，就写成 device = 0,
如果你只有一块GPU，那这里的两行代码可以不加，它是自己算你有几块GPU的
e.这个我们就在当前的YOLO源码里创建一个文件夹就可以了，它会把训练好的结果放到这里面，方便管理和查看
f.这个是你要给训练结果取的名字，自己想取什么都可以，训练好后，你就会在results文件夹里看到一个对应名称的文件，里面的有一个weights，它里面的best.pt，就是我们最终要的文件，它就是训练好的模型
好的到这里我们的环境搭建和YOLO训练就结束了，如果你想知道怎么训练自己的YOLO模型（也就是准备自己的数据集），自己标注，运行自己的模型，请点开我的主页看下一篇
