1.安装依赖

安装依赖，我也是废了很久的时间，还真是扯淡啊，总是有各种各样的问题，最后终于还是解决了。

• window
  windos 安装GPU比较简单，安装 NVIDIA 驱动， nvidia-smi 查看 CUDA 版本, CUDA官网 找到对应版本，然后下载安装,使用nvcc -V查看是否安装成功即可。

• Linux
  也是先安装英伟达的驱动，安装驱动，然后下载 cuda ,安装。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16

# 查看 cuda 版本，前提已经安好了GPU的各项驱动
nvidia-smi 

# 创建虚拟环境
conda create --name yolo python=3.9
# 切换虚拟环境
conda activate yolo

# https://pytorch.org/ 找到对应版本的 cuda 进行安装，我这里是 cuda 12.6 版本, 我用 pip 进行安装，结果gpu不可用
# pip3 install --pre torch torchvision torchaudio --index-url https://download.pytorch.org/whl/nightly/cu126
# 但是没有12.6版本的安装了，只能用12.4安装
# 安装 pytorch
conda install pytorch pytorch torchvision torchaudio pytorch-cuda=12.4 -c pytorch -c nvidia 

# 使用pip安装
pip install ultralytics

2.YoloV11

最新的Yolo V11版本出来了，我还要去学习这个东西，虽然很多东西都不太懂，但是实践还是要进行的。文章 Ultralytics YOLO V11 初体验—训练COCO数据集—全流程记录 总结了使用 YoloV11 的步骤：

• 1.新建Conda 虚拟环境。

• 2.安装GPU pytroch

• 3.安装Utralytics。
  这里我有一个疑问，就是我明明就是要安装 yolo v11 ，但是截止到2025年01月的时候，我使用 中科大源，还是清华源，最后安装的版本都是 8.3.58。后来我去官方仓库看了看，好像最新的就是 v8.3.58 这个版本，看来是我多虑了。

• 4.下载YOLO V11 模型
  n、s、m、l、x 分别代表不同的尺寸，尺寸越大，精度越高，相应的也是越慢的。

• 5.下载COCO数据集。

• 6.下载 COCO.yaml。

• 7.搭建训练文件目录。

• 8.制作txt格式标签。

• 9.制作存储图片路径的txt文件。

• 10.修改yaml文件。

• 11.Code训练代码。

问题

（1） No module named ‘torch’
非常的奇怪，明明使用conda安装了依赖，结果还是不行。

【解决方案】

1
2
3
4

# 删除
conda remove -n yolo11 --all
# 新建
conda create -n yolo11 python=3.11