Windows 下 YOLO 环境搭建与使用完整指南

发布日期 : 2024-01-15
标签 : YOLO, 深度学习, 目标检测, Windows
分类: 技术教程

📋 目录

环境准备
安装教程
使用教程
代码示例
常见问题排查
参考资料

一、环境准备

1.1 系统要求

在 Windows 系统上部署 YOLO 环境，请确保满足以下基本条件：

操作系统: Windows 10/11 64位
Python 版本: 3.9 - 3.13 (⚠️ 不支持 Python 2.x)
GPU 驱动: 建议使用最新版本的 NVIDIA 驱动

1.2 推荐硬件配置

组件	推荐配置	最低配置
CPU	Intel i7 / AMD Ryzen 7 及以上	Intel i5 / AMD Ryzen 5
显卡	RTX 2060 SUPER (8GB 显存) 及以上	GTX 1060 (6GB 显存)
内存	16GB 及以上	8GB
存储	50GB 可用空间 (SSD 推荐)	20GB 可用空间

1.3 笔者测试环境

组件	配置信息
CPU	i7-9700 @ 3.00GHz
显卡	RTX2060 SUPER (8GB 显存)
操作系统	Windows 10 64bit
Python	3.9 (3.10.x 也可行，实测 3.12 可能存在兼容性问题)
PyTorch	2.8.0
CUDA	12.6
cuDNN	8.9.7

1.4 相关资源链接

二、安装教程

2.1 安装方式概览

安装方式	适用场景	推荐度
pip 直接安装	大多数用户	⭐⭐⭐⭐⭐
源码安装	需要修改源码的开发者	⭐⭐⭐⭐
Conda 环境安装	需要隔离环境的用户	⭐⭐⭐⭐

2.2 方式一：从源码安装 (Ultralytics)

适合需要修改源码或开发自定义功能的用户：

bash 复制代码

# 克隆仓库
git clone https://github.com/ultralytics/ultralytics

# 进入目录
cd ultralytics

# 源码安装
pip install -e .

2.3 方式二：从源码安装 (YOLOv5)

bash 复制代码

# 克隆 YOLOv5 仓库
git clone https://github.com/ultralytics/yolov5

# 进入目录
cd yolov5

# 安装依赖
pip install -r requirements.txt

2.4 方式三：通过 pip 命令直接安装 ⭐推荐

使用国内镜像源可大幅加快下载速度：

bash 复制代码

# 安装最新版
pip install ultralytics -i https://mirrors.aliyun.com/pypi/simple/

# 安装指定版本 (例如 8.2.95)
pip install ultralytics==8.2.95 -i https://mirrors.aliyun.com/pypi/simple/

# 使用清华镜像源
pip install ultralytics -i https://pypi.tuna.tsinghua.edu.cn/simple/

2.5 不同 Python 版本的安装建议

Python 版本	安装方式	注意事项
Python 3.8	pip 安装	源码安装 (`pip install -e .`) 可能报错
Python 3.9-3.10	任意方式	最稳定的版本组合
Python 3.11	源码安装	需配合 PyTorch 2.8.0 + CUDA 12.6
Python 3.12+	pip 安装	可能存在部分兼容性问题

Python 3.11 + PyTorch 2.8.0 + CUDA 12.6 源码安装示例：

bash 复制代码

cd ultralytics
pip install -e .

三、使用教程

3.1 CLI 命令概览

安装完成后，可以使用 yolo 命令行工具进行各种操作。

常用系统命令

bash 复制代码

yolo help          # 查看帮助信息
yolo checks        # 运行环境检查
yolo version       # 查看版本信息
yolo settings      # 查看/修改设置
yolo copy-cfg      # 复制配置文件
yolo cfg           # 查看完整配置参数

命令语法结构

bash 复制代码

yolo TASK MODE ARGS

参数类型	说明	可选值
TASK	任务类型 (可选)	`detect`, `segment`, `classify`, `pose`, `obb`
MODE	运行模式 (必需)	`train`, `val`, `predict`, `export`, `track`, `benchmark`
ARGS	自定义参数 (可选)	任意 `arg=value` 键值对，如 `imgsz=320`

💡 提示 : 使用 yolo cfg 可查看完整的配置参数列表

3.2 预测 (Predict)

单张图片预测

bash 复制代码

# 使用预训练模型进行目标检测
yolo mode=predict task=detect model='./yolo/yolo11n.pt' source='./bus.jpg' show=True

# 使用自定义模型进行预测
yolo detect predict model=path/to/best.pt source='https://ultralytics.com/images/bus.jpg'

视频/流媒体预测

bash 复制代码

# 使用预训练的分割模型在 YouTube 视频上预测
yolo predict model=yolo11n-seg.pt source='https://youtu.be/LNwODJXcvt4' imgsz=320

# 本地视频文件
yolo predict model=yolo11n.pt source='./video.mp4'

# 摄像头实时检测 (摄像头编号 0)
yolo predict model=yolo11n.pt source=0

常用预测参数

参数	说明	默认值
`model`	模型路径	yolov8n.pt
`source`	输入源	0 (摄像头)
`imgsz`	图像尺寸	640
`conf`	置信度阈值	0.25
`iou`	NMS IoU 阈值	0.45
`show`	显示结果	False
`save`	保存结果	True

3.3 训练 (Train)

基础训练命令

bash 复制代码

# 训练一个检测模型，10 个 epoch，初始学习率 0.01
yolo train data=coco8.yaml model=yolo11n.pt epochs=10 lr0=0.01

# 在 COCO8 数据集上训练 YOLO11n，图像大小 640，训练 100 个 epoch
yolo detect train data=coco8.yaml model=yolo11n.pt epochs=100 imgsz=640

恢复中断的训练

bash 复制代码

# 从上次中断的位置继续训练
yolo detect train resume model=last.pt

常用训练参数

参数	说明	推荐值
`data`	数据集配置文件	coco8.yaml
`model`	预训练模型	yolov8n.pt
`epochs`	训练轮数	100
`imgsz`	输入图像尺寸	640
`batch`	批次大小	16 (根据显存调整)
`lr0`	初始学习率	0.01
`device`	训练设备	0 (GPU)
`workers`	数据加载线程数	8

3.4 验证 (Val)

bash 复制代码

# 验证预训练模型的性能
yolo val model=yolo11n.pt data=coco8.yaml batch=1 imgsz=640

# 验证自定义训练模型
yolo val model=path/to/best.pt data=custom.yaml

3.5 模型导出 (Export)

bash 复制代码

# 导出为 ONNX 格式
yolo export model=yolo11n.pt format=onnx

# 导出为 TensorRT 格式
yolo export model=yolo11n.pt format=engine

# 导出为 OpenVINO 格式
yolo export model=yolo11n.pt format=openvino

四、代码示例

4.1 Python API 使用示例

python 复制代码

from ultralytics import YOLO

# 加载模型
model = YOLO('yolo11n.pt')

# 预测
results = model.predict(source='image.jpg', show=True)

# 训练
model.train(data='coco8.yaml', epochs=100, imgsz=640)

# 验证
metrics = model.val()

# 导出
model.export(format='onnx')

4.2 ONNX 模型优化

如需处理 ONNX 模型或进行模型优化，建议安装以下依赖：

bash 复制代码

pip install --no-cache-dir "onnx>=1.12.0,<=1.19.1" "onnxslim>=0.1.71" "onnxruntime-gpu" -i https://mirrors.aliyun.com/pypi/simple/

4.3 批量处理示例

python 复制代码

from ultralytics import YOLO
import os

model = YOLO('yolo11n.pt')

# 批量处理文件夹中的图片
image_folder = './images/'
for img_file in os.listdir(image_folder):
    if img_file.endswith(('.jpg', '.png')):
        results = model.predict(source=os.path.join(image_folder, img_file))
        print(f"处理完成: {img_file}")

五、常见问题排查

5.1 Numpy 版本冲突

问题描述: 安装过程中遇到依赖冲突或报错

解决方案:

bash 复制代码

# 移除现有 numpy
conda remove numpy

# 清理 pip 缓存
pip cache purge

# 强制安装指定版本的 numpy
pip install --force-reinstall --no-deps numpy==1.26.4

5.2 Python 3.8 源码安装报错

问题描述 : 使用 pip install -e . 源码安装时报错

解决方案:

bash 复制代码

# 改用 pip 直接安装预编译包
pip install ultralytics -i https://mirrors.aliyun.com/pypi/simple/

5.3 CUDA 版本不匹配

问题描述: PyTorch 无法识别 GPU 或 CUDA 报错

解决方案:

检查 NVIDIA 驱动版本
确认 CUDA 与 PyTorch 版本匹配
参考 PyTorch 版本对应表

5.4 内存不足问题

问题描述: 训练时出现 OOM (Out of Memory) 错误

解决方案:

bash 复制代码

# 减小 batch size
yolo train data=coco8.yaml model=yolo11n.pt batch=8

# 减小图像尺寸
yolo train data=coco8.yaml model=yolo11n.pt imgsz=320

# 使用更小的模型
yolo train data=coco8.yaml model=yolo11n.pt  # n/s/m/l/x 依次增大

5.5 下载速度慢

问题描述: 模型或数据集下载速度极慢

解决方案:

bash 复制代码

# 使用国内镜像源
pip install -i https://mirrors.aliyun.com/pypi/simple/

# 使用代理
set HTTP_PROXY=http://proxy:port
set HTTPS_PROXY=http://proxy:port

# 手动下载模型后放入指定目录

六、参考资料

官方资源

社区教程

学习资源

💡 温馨提示 : 本教程基于 Windows 环境编写，Linux/Mac 用户请参考官方文档调整相应命令。如有问题，建议优先查阅 Ultralytics 官方文档获取最新信息。