yolo11n环境配置+实例运行【wsl+pycharm+conda】

发布于:2025-07-06 ⋅ 阅读:(12) ⋅ 点赞:(0)

一、创建虚拟环境

yolo11需要的环境是python>=3.8且pytorch>=1.8
在这里插入图片描述
在wsl终端创建新的虚拟环境

conda create -n yolov11 python=3.10 -y

进入到项目所在位置

 cd ~/YOLOv11-Project/ultralytics-main
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118

二、pycharm部署项目到新建的虚拟环境中

在这里插入图片描述
在这里插入图片描述

在这里插入图片描述

三、按照文档安装依赖并测试

在这里插入图片描述

pip install ultralytics

在这个路径下可以看到有一张测试的图片,我们可以使用官方给的训练权重去使用模型测试
网址:https://github.com/ultralytics/ultralytics

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
放到根目录下
运行

yolo predict model=yolo11n.pt source='/home/success/YOLOv11-Project/ultralytics-main/ultralytics/assets/bus.jpg'

在这里插入图片描述
运行成功后会产生一个runs文件夹,在这个文件夹下可以看到检测后的图片
在这里插入图片描述
在这里插入图片描述
到这里就表示yolo11n模型全部部署完毕

四、使用其他数据集

在这里插入图片描述
coco128下载:https://ultralytics.com/assets/coco128.zip

在coco128目录下需要创建一个.yaml文件用于说明数据集的参数

path: ../datasets/coco128  # 根目录
train: images/train2017  # 训练图像目录
val: images/train2017     # 验证图像目录(可改成 images/val2017)
test: images/train2017    # (可选)

nc: 80 #类别数

names:
  - person
  - bicycle
  - car
  - motorcycle
  - airplane
  - bus
  - train
  - truck
  - boat
  - traffic light
  - fire hydrant
  - stop sign
  - parking meter
  - bench
  - bird
  - cat
  - dog
  - horse
  - sheep
  - cow
  - elephant
  - bear
  - zebra
  - giraffe
  - backpack
  - umbrella
  - handbag
  - tie
  - suitcase
  - frisbee
  - skis
  - snowboard
  - sports ball
  - kite
  - baseball bat
  - baseball glove
  - skateboard
  - surfboard
  - tennis racket
  - bottle
  - wine glass
  - cup
  - fork
  - knife
  - spoon
  - bowl
  - banana
  - apple
  - sandwich
  - orange
  - broccoli
  - carrot
  - hot dog
  - pizza
  - donut
  - cake
  - chair
  - couch
  - potted plant
  - bed
  - dining table
  - toilet
  - tv
  - laptop
  - mouse
  - remote
  - keyboard
  - cell phone
  - microwave
  - oven
  - toaster
  - sink
  - refrigerator
  - book
  - clock
  - vase
  - scissors
  - teddy bear
  - hair drier
  - toothbrush

在这里插入图片描述
在wsl找到.yaml确定的位置:

find ~ -name "data.yaml"

在这里插入图片描述
得到.yaml位置:/home/success/YOLOv11-Project/ultralytics-main/datasets/coco128/data.yaml
在pycharm中运行验证命令

yolo val model=yolo11n.pt data=/home/success/YOLOv11-Project/ultralytics-main/datasets/coco128/data.yaml

在这里插入图片描述
这是验证训练好的yolov11n模型在coco128数据集上的检测效果,输出内容默认保存在runs/val3文件夹里
在这里插入图片描述
confusion_matrix.png(混淆矩阵)
作用:显示模型在分类时的正确与错误情况
横轴是真实类别,纵轴是模型预测的类别,对角线越亮说明预测越准确,非对角线约暗越好,预测错误才会在非对角线出现颜色

在这里插入图片描述
F1_curve,_curve.jpg
这些是模型的曲线图,反应模型的检测质量
Precision:预测为X里面有多少是真X
Recall:真X有多少被检测出来
F1:准确率和召回率

results.csv
-保存每个类别的验证指标数据

results.png
-图表形式总结了验证的结果

images/pred
-模型预测图,带框图像

images/gt/
-真实标注图