一、安装内容说明使用 Ultralytics YOLO主要需要安装以下组件PythonPyTorchUltralyticsNVIDIA 显卡驱动使用 NVIDIA GPU 时可选的 ONNX、OpenVINO 等导出组件推荐使用虚拟环境安装。虚拟环境只需要创建和安装一次以后使用时重新激活即可不需要每次重新安装。二、Windows 安装方法1. 检查 Python打开 PowerShell 或 CMD输入python --version或者py --version能够显示类似下面的内容即可Python 3.14.3然后检查 pippython -m pip --version如果提示找不到 Python需要先安装 Python并在安装界面勾选Add Python to PATH2. 检查 NVIDIA 显卡驱动使用 NVIDIA 显卡训练 YOLO需要先确认系统能够识别显卡nvidia-smi正常情况下会显示NVIDIA GeForce RTX 3060 Driver Version CUDA Version 显存使用情况如果提示无法识别nvidia-smi应先安装或更新 NVIDIA 显卡驱动。3. 创建项目目录例如在 D 盘创建 YOLO 项目D: mkdir yolo_project cd yolo_project也可以进入已有项目目录cd C:\Users\admin\Videos\aimlab_training4. 创建虚拟环境执行python -m venv .venv创建完成后项目目录中会出现.venv激活虚拟环境PowerShell.\.venv\Scripts\Activate.ps1CMD.venv\Scripts\activate.bat成功激活后命令行开头通常会出现(.venv)例如(.venv) PS D:\yolo_project如果 PowerShell 提示禁止运行脚本可以执行Set-ExecutionPolicy -Scope CurrentUser RemoteSigned重新打开 PowerShell再激活虚拟环境。5. 更新 pippython -m pip install --upgrade pip setuptools wheel以后建议始终使用python -m pip而不是直接使用pip这样可以避免把软件安装到错误的 Python 环境。三、安装支持 NVIDIA GPU 的 PyTorch1. RTX 3060 推荐安装方式安装 CUDA 12.8 版本的 PyTorchpython -m pip install torch torchvision --index-url https://download.pytorch.org/whl/cu128安装完成后检查python -c import torch; print(PyTorch:, torch.__version__); print(CUDA运行库:, torch.version.cuda); print(GPU可用:, torch.cuda.is_available()); print(显卡:, torch.cuda.get_device_name(0) if torch.cuda.is_available() else 未检测到GPU)正常结果类似PyTorch: 2.x.xcu128 CUDA运行库: 12.8 GPU可用: True 显卡: NVIDIA GeForce RTX 3060最重要的是GPU可用: True如果显示GPU可用: False说明当前 PyTorch 无法调用 NVIDIA 显卡。2. 只使用 CPU没有 NVIDIA 显卡时可以安装 CPU 版本python -m pip install torch torchvision --index-url https://download.pytorch.org/whl/cpuCPU 也能运行 YOLO但训练和推理速度通常比 NVIDIA GPU 慢很多。四、安装 Ultralytics YOLO执行python -m pip install -U ultralytics安装过程中会自动安装 OpenCV、NumPy、Pillow、PyYAML 等依赖。安装完成后检查版本yolo version也可以执行python -c import ultralytics; print(ultralytics.__version__)运行环境检查yolo checks能够正常输出 Python、PyTorch、CUDA、显卡等信息说明安装基本成功。五、运行第一次 YOLO 推理1. 使用命令行推理执行yolo detect predict modelyolo11n.pt sourcehttps://ultralytics.com/images/bus.jpg imgsz640 conf0.25 device0 saveTrue第一次运行时会自动下载yolo11n.pt参数含义detect 目标检测任务 predict 推理模式 model 使用的模型 source 图片、视频或摄像头来源 imgsz 输入模型的图像尺寸 conf 最低置信度阈值 device0 使用第0块显卡 saveTrue 保存检测结果检测结果一般保存在runs\detect\predict如果多次运行会依次保存在runs\detect\predict2 runs\detect\predict32. 检测本地图片将图片放到项目目录例如D:\yolo_project\test.jpg运行yolo detect predict modelyolo11n.pt sourcetest.jpg device0 showTrue saveTrue3. 检测视频yolo detect predict modelyolo11n.pt sourcetest.mp4 imgsz640 conf0.25 device0 showTrue saveTrue4. 使用摄像头电脑的第一个摄像头通常编号为 0yolo detect predict modelyolo11n.pt source0 device0 showTrue如果存在多个摄像头可以尝试source1或者source2六、使用 Python 程序运行 YOLO新建文件predict_test.py写入import torch from ultralytics import YOLO def main() - None: print(fPyTorch版本{torch.__version__}) print(fCUDA是否可用{torch.cuda.is_available()}) if torch.cuda.is_available(): print(f使用显卡{torch.cuda.get_device_name(0)}) device 0 else: print(未检测到CUDA将使用CPU) device cpu # 第一次运行时会自动下载模型 model YOLO(yolo11n.pt) model.predict( sourcetest.jpg, imgsz640, conf0.25, devicedevice, showTrue, saveTrue, ) if __name__ __main__: main()运行python predict_test.py七、使用自己训练好的 best.pt例如模型位于runs\aimlab_v5nu\weights\best.pt检测图片yolo detect predict modelruns\aimlab_v5nu\weights\best.pt sourcetest.jpg imgsz320 conf0.1 device0 showTrue saveTrue检测视频yolo detect predict modelruns\aimlab_v5nu\weights\best.pt sourceaimlab_test.mp4 imgsz320 conf0.1 device0 showTrue saveTrueWindows 路径中存在空格时必须使用双引号modelC:\Users\admin\Videos\aimlab training\runs\best.pt八、训练自定义数据集1. 数据集目录推荐结构dataset ├─ images │ ├─ train │ └─ val └─ labels ├─ train └─ val图片和标签文件名必须对应images/train/0001.jpg labels/train/0001.txt2. 编写数据集配置文件例如创建aimlab.yaml内容path: C:/Users/admin/Videos/aimlab_training/dataset train: images/train val: images/val nc: 1 names: 0: aimlab_target其中nc表示类别数量。3. 开始训练yolo detect train modelyolo11n.pt dataaimlab.yaml epochs100 imgsz320 batch-1 device0 workers4 projectruns nameaimlab_yolo11n如果继续使用 YOLOv5 Ultralytics 模型也可以写成yolo detect train modelyolov5nu.pt dataaimlab.yaml epochs100 imgsz320 batch-1 device0 workers4 projectruns nameaimlab_v5nu训练完成后最佳模型一般位于runs\aimlab_yolo11n\weights\best.pt最后一次训练权重位于runs\aimlab_yolo11n\weights\last.pt九、导出 ONNX 模型使用命令行导出yolo export modelruns\aimlab_yolo11n\weights\best.pt formatonnx imgsz320 opset12 simplifyTrue导出完成后一般会生成best.onnx也可以用 Pythonfrom ultralytics import YOLO model YOLO(rruns\aimlab_yolo11n\weights\best.pt) model.export( formatonnx, imgsz320, opset12, simplifyTrue, )对于 RK3566 部署通常流程为训练得到 best.pt ↓ 使用 Ultralytics 导出 best.onnx ↓ 使用 RKNN-Toolkit2 转换 best.rknn ↓ 将 best.rknn 复制到 RK3566 ↓ 使用 RKNN Runtime 或 RKNN-Toolkit-Lite2 推理十、Ubuntu或WSL2安装1. 安装基础工具sudo apt update sudo apt install -y python3 python3-pip python3-venv2. 创建项目目录mkdir -p ~/yolo_project cd ~/yolo_project3. 创建虚拟环境python3 -m venv .venv激活source .venv/bin/activate激活成功后会显示(.venv)4. 更新 pippython -m pip install --upgrade pip setuptools wheel5. 安装 PyTorchNVIDIA GPU 环境python -m pip install torch torchvision --index-url https://download.pytorch.org/whl/cu128CPU 环境python -m pip install torch torchvision --index-url https://download.pytorch.org/whl/cpu6. 安装 YOLOpython -m pip install -U ultralytics7. 检查环境python -c import torch; print(torch.__version__); print(torch.cuda.is_available())yolo checks十一、虚拟环境下次怎么使用虚拟环境只需要安装一次。Windows 下次使用cd D:\yolo_project .\.venv\Scripts\Activate.ps1Ubuntu或WSL2下次使用cd ~/yolo_project source .venv/bin/activate退出虚拟环境deactivate关闭终端以后虚拟环境会自动退出但其中安装的软件不会消失。十二、常见问题1. 提示“yolo不是内部或外部命令”原因通常是虚拟环境没有激活。Windows.\.venv\Scripts\Activate.ps1Ubuntusource .venv/bin/activate然后重新安装或检查python -m pip install -U ultralytics yolo version2. CUDA不可用执行nvidia-smi然后执行python -c import torch; print(torch.__version__); print(torch.version.cuda); print(torch.cuda.is_available())常见原因包括安装了 CPU 版本的 PyTorchNVIDIA 驱动没有安装虚拟环境中使用了另一个 Pythonpip 和 python 不属于同一个环境当前显卡驱动不支持所安装的 CUDA 运行库可以先卸载 PyTorchpython -m pip uninstall -y torch torchvision torchaudio再重新安装 GPU 版本python -m pip install torch torchvision --index-url https://download.pytorch.org/whl/cu1283. 显存不足训练时出现CUDA out of memory可以减小以下参数batch imgsz 模型大小例如yolo detect train modelyolo11n.pt dataaimlab.yaml epochs100 imgsz320 batch8 device0仍然显存不足时yolo detect train modelyolo11n.pt dataaimlab.yaml epochs100 imgsz256 batch4 device04. 下载速度慢可以先安装 GPU 版 PyTorch然后用镜像安装 Ultralyticspython -m pip install -U ultralytics -i https://pypi.tuna.tsinghua.edu.cn/simple不要直接用普通镜像安装全部依赖后再判断 CUDA因为镜像可能安装到 CPU 版本的 PyTorch。5. 安装环境混乱最简单的处理方式是重新建立干净的虚拟环境Windowsdeactivate rmdir /s /q .venv python -m venv .venv .\.venv\Scripts\activatePowerShell 删除目录可以使用Remove-Item -Recurse -Force .venv然后重新安装python -m pip install --upgrade pip python -m pip install torch torchvision --index-url https://download.pytorch.org/whl/cu128 python -m pip install -U ultralytics十三、针对RK3566项目的推荐安装位置YOLO训练环境建议安装在Windows电脑 或者 WSL2 Ubuntu主要用于训练模型 测试 best.pt 导出 ONNX 转换 RKNNRK3566板端通常不需要安装完整的 PyTorch 和 Ultralytics训练环境而是运行RKNN-Toolkit-Lite2 Python接口 或者 RKNN Runtime C/C接口因此完整部署路径为Windows训练 ↓ best.pt ↓ WSL2导出/转换 ↓ best.onnx ↓ best.rknn ↓ RK3566运行RKNN推理