基于YOLOv11的无人机目标检测实战（Windows环境）

1. 环境搭建

1.1 硬件与操作系统

• 操作系统：Windows 11

• CPU：Intel i7-9700

• GPU：NVIDIA RTX 2080（8GB显存）

1.2 安装CUDA和cuDNN

由于YOLOv11依赖PyTorch的GPU加速，需要安装CUDA和cuDNN：

1. 安装CUDA Toolkit：

   • 访问 NVIDIA CUDA 下载页面

   • 选择 CUDA 11.8（兼容PyTorch 2.0+）

   • 运行安装程序，选择默认选项

2. 安装cuDNN：

   • 访问 NVIDIA cuDNN 下载页面

   • 下载 cuDNN 8.9.0 for CUDA 11.x

   • 解压后，将 bin、include、lib 文件夹复制到 C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.8

3. 验证CUDA安装：

   nvcc --version
   nvcc: NVIDIA (R) Cuda compiler
   release 11.8, V11.8.89

1.3 安装Python、Anaconda和PyCharm

1. 安装Python 3.9：

   • 从 Python官网 下载 Python 3.9.19

   • 安装时勾选 "Add Python to PATH"

2. 安装Anaconda：

   • 下载 Anaconda

   • 安装后，创建YOLOv11专用环境：

     conda create -n yolov11 python=3.9.19
     conda activate yolov11

3. 安装PyCharm：

   • 下载 PyCharm Community

   • 配置Python解释器为 yolov11 环境

2. 数据集准备

2.1 选择1000张无人机图片

drone_dataset/
├── images/
│   ├── train/  # 800张训练图片
│   └── val/    # 200张验证图片
└── labels/
    ├── train/  # 训练集标注（YOLO格式）
    └── val/    # 验证集标注

2.2 标注数据

1. 作者采用wpf开发的标注工具，点击下载：

2. 标注流程：

   • 打开图片文件夹（images/train）

   • 选择 YOLO格式 输出

   • 标注无人机目标，保存为 .txt 文件（格式：<class_id> <x_center> <y_center> <width> <height>）

3. YOLOv11训练

3.1 安装依赖

pip install torch==2.0.1 torchvision==0.15.2 torchaudio==2.0.2 --index-url https://download.pytorch.org/whl/cu118
pip install ultralytics opencv-python matplotlib

3.2 准备YOLO配置文件

1. 创建 drone.yaml：

   path: ./drone_dataset
   train: images/train
   val: images/val
   names:
     0: drone

2. 下载YOLOv11预训练模型：

   wget https://github.com/WongKinYiu/yolov11/releases/download/v0.1/yolov11s.pt

3.3 训练模型

from ultralytics import YOLO

model = YOLO("yolov11s.pt")  # 加载预训练模型

results = model.train(
    data="drone.yaml",
    epochs=100,
    imgsz=640,
    batch=16,  # RTX 2080适合batch=16
    device=0,  # 使用GPU
    optimizer="SGD",
    amp=True,  # 混合精度训练
    project="runs/train",
    name="drone_exp"
)
关键参

数说明：

• batch=16：RTX 2080显存8GB，适合batch=16

• imgsz=640：无人机目标较小，建议高分辨率

• amp=True：混合精度训练，节省显存

4. WPF可视化验证

将pt模型转出通用模型onnx

from ultralytics import YOLO

from ultralytics import YOLO
model = YOLO("./runs/detect/train7/weights/best.pt")
model.export(format="onnx", imgsz=(640, 640), simplify=True)

作者使用C#开发了一款程序，能够加载ONNX模型并进行图像检测。

5. 常见问题

Q1: CUDA报错 "out of memory"

• 解决方案：降低 batch 大小（如 batch=8）

Q2: 标注数据不准确

• 解决方案：使用 Roboflow 自动增强数据集

Q3: WPF调用Python模型慢

• 优化方案：改用 ONNX Runtime 或 TensorRT 加速

6. 总结

本文详细介绍了在 Windows 11 + RTX 2080 环境下：

1. 配置CUDA/cuDNN + Python环境

2. 标注1000张无人机数据集

3. 训练YOLOv11模型

4. 使用WPF开发可视化检测程序