建立自己的网站步骤/做整站优化

本文介绍yoloV11的安装和命令行接口

1.安装和运行

1.1安装的基础环境

GPU环境，其中CUDA是12.4版本

1.2安装yolo相关组件

# 克隆github镜像
git clone https://gitcode.com/gh_mirrors/ul/ultralytics.git

# 创建虚拟环境
conda create  -n yolo11 python=3.12# 激活虚拟环境
conda activate yolo11

# 安装命令行
conda install -c pytorch -c nvidia -c conda-forge pytorch torchvision pytorch-cuda=12.4 ultralytics# 安装后验证可以正常使用显卡，显示True，即正常；否则确认torch支持的CUDA版本和目前显卡的CUDA版本一致
(yolo11) wengad@mathings:~$ python
Python 3.12.8 | packaged by Anaconda, Inc. | (main, Dec 11 2024, 16:31:09) [GCC 11.2.0] on linux
Type "help", "copyright", "credits" or "license" for more information.
>>> import torch
>>> torch.cuda.is_available()
True
>>> 

1.3命令行方式使用

安装之后，yolo的命令行接口（CLI ,Command Line Interface）就可以使用了.

直接输入yolo或者yolo help，回显yolo的一些用法，

yolo [TASK] MODE [ARGS]

• TASK是YOLO的任务类型，为可选参数，包括了classify分类，OBB（Oriented Bounding
  Box）边界检测，segment实例分割，detect目标检测，pose姿势检测。默认的任务类型是detect。
• MODE：predict预测，track跟踪，val评估，export导出，benchmark性能评估，train训练。默认是train。
• ARGS 参数清单，为可选参数，若不指定，则用默认的一些参数值，具体执行yolo
  cfg命令来查看，若指定了某参数的对应值，那么默认值将被重载。参数的指定方式为：参数名=参数值，各个参数空格隔开即可。

1.3.1 训练

# 切换到克隆下来的项目的目录下
cd ultralytics#使用coco数据集进行，yolo11 -n尺度模型进行训练,系统会自动下载coco8的数据集和模型文件，在当前目录下，下载完成后进行自动训练。
yolo train data=coco8.yaml model=yolo11n.pt epochs=10 lr0=0.01

注：数据集（含标注）会下载解压在当前目录的datasets目录下，模型文件会下载在当前目录下，YAML配置本身在clone下来项目的当前目录的./ultralytics/cfg/datasets下

1.3.2 预测

# 使用训练过程最好的模型来预测，这里面指定的图片大小会影响检测效果
yolo predict model=./runs/detect/train5/weights/best.pt source=/home/wengad/Downloads/psU1m1h_.jpeg imgsz=1676

用了这张图片，使用变清晰功能后手动下载到本地来预测：https://pics0.baidu.com/feed/5fdf8db1cb13495483c3a17a8d032d54d0094aad.jpeg

图片属性：
检测结果：