《Debian 系统上部署 YOLO11》

一、系统环境准备（基础必做）

首先更新Debian软件源并安装核心依赖，确保后续操作不报错：

bash 复制代码

# 1. 更新系统包列表并升级现有包
sudo apt update && sudo apt upgrade -y

# 2. 安装基础依赖（Python3、pip、虚拟环境、编译工具等）
sudo apt install -y git python3 python3-pip python3-venv python3-dev build-essential

解释：python3-venv用于创建隔离的Python虚拟环境（避免污染系统Python），build-essential用于编译部分依赖包。

二、创建并激活Python虚拟环境（推荐）

虚拟环境能隔离项目依赖，是Python项目的最佳实践，新手务必使用：

bash 复制代码

# 1. 创建虚拟环境目录（命名为yolo11_env，可自定义）
python3 -m venv yolo11_env

# 2. 激活虚拟环境（激活后命令行前缀会显示 (yolo11_env)）
source yolo11_env/bin/activate

注意：后续所有操作都要在激活虚拟环境的状态下执行；退出虚拟环境可执行deactivate。

三、安装YOLO11核心库（ultralytics）

YOLO11是Ultralytics官方维护的版本，直接安装ultralytics库即可，内置所有YOLO11模型：

bash 复制代码

# 1. 升级pip到最新版（避免安装依赖时出错）
pip install --upgrade pip

# 2. 安装ultralytics（核心库，包含YOLO11）
pip install ultralytics

（可选）GPU加速配置（有NVIDIA显卡才需要）

如果你的Debian机器有NVIDIA显卡，可配置CUDA加速（检测速度提升10倍以上）：

步骤1：安装NVIDIA驱动

bash 复制代码

# 1. 添加Debian非免费源（Debian 11/12需开启contrib/non-free）
sudo apt edit-sources
# 编辑时确保源包含：main contrib non-free non-free-firmware（以Debian 12为例）
# 示例源：deb http://deb.debian.org/debian bookworm main contrib non-free non-free-firmware

# 2. 安装NVIDIA驱动并重启
sudo apt update
sudo apt install -y nvidia-driver firmware-misc-nonfree
sudo reboot  # 重启后驱动生效

# 3. 验证驱动是否安装成功（能看到显卡信息即正常）
nvidia-smi

步骤2：安装带CUDA的PyTorch（YOLO11依赖）

bash 复制代码

# 1. 卸载可能冲突的CPU版PyTorch（如果已装）
pip uninstall -y torch torchvision torchaudio

# 2. 安装适配CUDA 12.1的PyTorch（Debian通用版本）
pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121

# 3. 重新升级ultralytics，确保适配GPU
pip install --upgrade ultralytics

四、验证YOLO11部署成功

方式1：命令行快速测试（最简）

激活虚拟环境后，运行以下命令，自动下载YOLO11n（轻量模型）并检测示例图片：

bash 复制代码

# 检查ultralytics环境
yolo check

# 运行YOLO11n预测（CPU/GPU自动识别）
yolo predict model=yolo11n.pt source='https://ultralytics.com/images/bus.jpg'

结果：检测后的图片会保存在runs/predict/目录下，打开即可看到目标检测框。

方式2：Python代码验证（更灵活）

创建test_yolo11.py文件，写入以下代码：

python 复制代码

from ultralytics import YOLO

# 加载YOLO11n模型（n=nano，轻量版；可选s/m/l/x，模型越大精度越高）
model = YOLO("yolo11n.pt")

# 1. 检测网络图片
results = model("https://ultralytics.com/images/bus.jpg")

# 2. 打印检测结果（类别、置信度、坐标）
for result in results:
    boxes = result.boxes
    print("检测到的目标类别ID：", boxes.cls.numpy())  # 类别ID转numpy更易读
    print("目标置信度：", boxes.conf.numpy())        # 置信度（0-1）
    print("检测框坐标（x1,y1,x2,y2）：", boxes.xyxy.numpy())

# 3. 保存检测后的图片到本地
result.save(filename="bus_detection.jpg")
print("检测结果已保存为 bus_detection.jpg")

运行代码：

bash 复制代码

python test_yolo11.py

成功运行后，本地会生成bus_detection.jpg，打开可见公交车、行人等目标的检测框。

五、常见使用场景示例

检测本地图片：

bash 复制代码

yolo predict model=yolo11n.pt source=/home/yourname/photo.jpg

检测本地视频：

bash 复制代码

yolo predict model=yolo11n.pt source=/home/yourname/video.mp4

实时摄像头检测：

bash 复制代码

yolo predict model=yolo11n.pt source=0  # 0表示默认摄像头

总结

Debian部署YOLO11的核心是：先配置Python虚拟环境，再安装ultralytics库（内置YOLO11），无需手动编译源码；
CPU部署只需基础步骤，GPU部署需额外安装NVIDIA驱动+带CUDA的PyTorch，能大幅提升检测速度；
验证部署成功的关键：运行yolo predict或Python测试代码，能加载模型并输出检测结果即完成部署。