Yolo11环境配置win+Python+Anaconda–小白专用（超详细）

本文基于Anaconda和Pycharm已经安装

目录

一、下载Yolo11的源代码

二、部署环境

1.打开Anaconda软件

2.创建环境

3.运行环境

4.安装必要的包

4.1安装Torch

4.2遇到下载问题

4.3安装其他依赖包

三、运行项目

1.打开项目

2.更换解释器

3.验证运行

四、训练以及数据集（附加）

1.训练代码

2.WiderPerson数据集

---

一、下载Yolo11的源代码

 1.云盘链接 (无需加速  yolov11的版本为8.3.11  24年10月上传)

包括yolov11n.pt的文件一并下载

云盘链接  yolo11的123云盘链接

2.GitHub官方链接（需要加速）

GitHub – ultralytics/ultralytics: Ultralytics YOLO11 🚀

没有加速方法的话可以下载下面这个加速器，加速Github（steam也能加速哟）

瓦特工具箱(Steam++官网) – Watt Toolkit (steampp.net)

点击官网的那个【绿色Code按钮】再点击【Download ZIP】进行下载

下载得到一个压缩包，把它解压到你的电脑上的文件夹里就行了

官网往下滑点击YOLO11n下载

3.把yolo11n.pt文件放到yolo项目的根目录里

二、部署环境

1.打开Anaconda软件

点击左侧的【Environments】

2.创建环境

点击软件下方的【Create】

Name是环境的名称，用英文，比如yolo

Location是环境保存的路径

Packages这里选Python，版本选择3.10的

点击【Create】然后等待下载完成就行了

3.运行环境

直接点yolo旁边的【绿按钮】，再点击弹出来的【Open Terminal】就会打开环境终端了，接下来的操作都在这个黑框框里进行

终端如下

4.安装必要的包

4.1安装Torch

点击官网：PyTorch

选最新的版本，就Stable(2.4.1)

根据你的需求选择，如果有英伟达的GPU（显卡，比如RTX3060）那就选CUDA最新的版本，然后你还要把你的英伟达驱动更新到最新版本

如果没有GPU就选CPU，但跑代码的时候速度会慢很多很多很多。。。

最后复制【Run this Command】的代码到你的环境终端（就那个黑框框）回车运行就开始下载安装了

如果下载失败或者非常慢，pytorch的包预计一分钟内下完，如果确定你的网络没问题的话，就看下一步配置清华大学镜像源

（下载ing…）

4.2遇到下载问题

以下两个命令选其一在终端进行

如果只是临时下载一个包，可以执行

pip install -i https://pypi.tuna.tsinghua.edu.cn/simple　包名

如果不想每次都添加的话，可以永久修改，这样不用每次都加辣莫长的网址了

pip install pip -U
pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple

4.3安装其他依赖包

在终端上输入cd命令 转到你的yolo11项目的文件路径

如果不在C盘就先转到其他盘如D盘就是D:  E盘就是 E: 然后回车

D:

再输入 cd 你的yolo项目路径

cd C:\Users\11131\Desktop\DeepLearn\yolov11

在项目路径新建一个文本文档，如requirements.txt，把下面的代码复制进去保存关闭文本

# Base ------------------------------------------------------------------------
gitpython>=3.1.30
matplotlib>=3.3
numpy>=1.23.5
opencv-python>=4.1.1
pillow>=10.3.0
psutil  # system resources
PyYAML>=5.3.1
requests>=2.32.2
scipy>=1.4.1
thop>=0.1.1  # FLOPs computation
torch>=1.8.0  # see https://pytorch.org/get-started/locally (recommended)
torchvision>=0.9.0
tqdm>=4.66.3
ultralytics>=8.2.34  # https://ultralytics.com
# protobuf<=3.20.1  # https://github.com/ultralytics/yolov5/issues/8012

# Logging ---------------------------------------------------------------------
# tensorboard>=2.4.1
# clearml>=1.2.0
# comet

# Plotting --------------------------------------------------------------------
pandas>=1.1.4
seaborn>=0.11.0

# Export ----------------------------------------------------------------------
# coremltools>=6.0  # CoreML export
# onnx>=1.10.0  # ONNX export
# onnx-simplifier>=0.4.1  # ONNX simplifier
# nvidia-pyindex  # TensorRT export
# nvidia-tensorrt  # TensorRT export
# scikit-learn<=1.1.2  # CoreML quantization
# tensorflow>=2.4.0,<=2.13.1  # TF exports (-cpu, -aarch64, -macos)
# tensorflowjs>=3.9.0  # TF.js export
# openvino-dev>=2023.0  # OpenVINO export

# Deploy ----------------------------------------------------------------------
setuptools>=70.0.0 # Snyk vulnerability fix
# tritonclient[all]~=2.24.0

# Extras ----------------------------------------------------------------------
# ipython  # interactive notebook
# mss  # screenshots
# albumentations>=1.0.3
# pycocotools>=2.0.6  # COCO mAP

在终端中运行

pip install -r requirements.txt

三、运行项目

1.打开项目

右键你的yolo根目录文件夹，点击Open Folder as Pycharm…

通过Pycharm打开整个项目

2.更换解释器

先点击右下角【无解释器】，然后添加新的本地解释器

没有Conda可执行文件的话就点浏览，寻找Anaconda软件目录下的condabin文件夹里的conda.bat然后点击【加载环境】

选择我们刚才创建的yolo环境就行了

3.验证运行

在yolo根目录新建val.py文件,并复制以下代码进行运行

from ultralytics import YOLO

if __name__ == '__main__':

    # 加载模型
    model = YOLO(model=r'yolo11n.pt')
    # 进行推理
    model.predict(source=r'ultralytics/assets/bus.jpg',     # source是要推理的图片路径这里使用yolo自带的图片
                  save=True,    # 是否在推理结束后保存结果
                  show=True,    # 是否在推理结束后显示结果
                  project='runs/detect',  # 结果的保存路径
                  )

运行成功的话结果如下：

至此环境配置完成

四、训练以及数据集（附加）

1.训练代码

在yolo11的根目录创建一个新的train.py的文件，把以下代码内容进入train.py

其中，data是你数据集的配置文件路径

from ultralytics import YOLO

if __name__ == '__main__':
    model = YOLO(r'ultralytics/cfg/models/11/yolo11.yaml')
    model.train(data=r'训练数据集的配置yaml文件路径WiderPerson_yolo_mini.yaml',
                imgsz=640,  # 训练图片大小，默认640
                epochs=10,  # 训练轮次，默认100
                batch=16,   # 训练批次，默认16
                project='runs',  # 项目文件夹的名，默认为runs
                name='exp',      # 用于保存训练文件夹名，默认exp，依次累加
                device='cpu',    # 要运行的设备 device =0 是GPU显卡训练，device = cpu
                )

2.WiderPerson数据集

此数据集官网：WiderPerson: A Diverse Dataset for Dense Pedestrian Detection in the Wild

另外，下面这个网盘里的是我经过处理后的，可以直接用于yolo训练的数据集

https://www.123684.com/s/7G74jv-W4cqh

总共两个数据集，一个是处理成yolo标注格式后的正常数据集，一个是把数据量8：1缩减后的mini数据集

mini版数据量小适合新手以及电脑显卡性能不好的使用（训练快），训练集图片1000张（原数据集8000张）

作者：羽小暮