这次我们来看一个面向零基础学习者的 YOLO 系列保姆级教程。YOLOYou Only Look Once作为实时目标检测领域的标杆从最初的 YOLOv1 到最新的 YOLOv26其核心思想始终是“单次前向传播完成检测”在速度和精度之间取得了极佳的平衡。对于想入门计算机视觉、目标检测或者希望快速上手项目实战的开发者来说掌握 YOLO 是一条高效的路径。本教程的核心目标是让你在 2 小时内从零开始完成从环境搭建、模型推理到项目实战的完整闭环。我们不仅会涵盖 YOLO 的基础概念更会聚焦于最实用的部分如何快速安装环境、如何用预训练模型进行推理、如何准备和处理自己的数据集并最终完成一个自定义目标检测项目。无论你手头是带 GPU 的台式机、笔记本还是只有 CPU 的普通电脑我们都会提供对应的部署和运行方案。本文将重点拆解以下几个关键环节首先快速了解 YOLO 的核心能力与生态其次完成 Python、PyTorch、CUDA 等环境的无痛安装接着使用 Ultralytics 框架进行图片和视频的实时推理然后学习如何标注数据、转换格式并训练自己的模型最后我们会探讨模型部署和性能优化的思路。整个过程强调实操每一步都有可执行的代码和命令确保你能跟着做、跑得通。1. 核心能力速览在深入细节之前我们先通过一个表格快速了解基于 Ultralytics 框架的现代 YOLO如 YOLOv8, YOLOv11, YOLO26所具备的核心能力这有助于你判断它是否适合你的项目。能力项说明项目类型实时目标检测、实例分割、姿态估计、分类、OBB定向边界框等多任务框架。开源团队/来源UltralyticsYOLOv5及之后版本的主要维护者社区活跃更新频繁。主要功能训练、验证、预测、导出、部署一站式解决方案。支持从数据标注到模型服务的全流程。推荐硬件GPU推荐NVIDIA GPU支持 CUDA显存建议 4GB 以上以获得更好体验。CPU可用支持纯 CPU 推理和训练速度较慢但功能完整。边缘设备支持 NVIDIA Jetson、Raspberry Pi配合 Edge TPU等。显存占用推理模型大小和输入分辨率决定。以 YOLOv8n纳米级为例640x640 输入下GPU 显存占用通常在 1GB 以内。YOLOv8x 或更大模型可能需要 4GB 以上。实际占用需以本机测试为准。支持平台Windows, Linux, macOS。支持 Docker 容器化部署。启动/使用方式主要通过 Python API 或命令行接口CLI调用。提供 Web UIGradio等社区工具可选。是否支持 API是。可通过 PythonYOLO类进行编程调用也支持将模型导出为 ONNX、TensorRT 等格式后通过 Triton Inference Server 等提供 HTTP/gRPC API 服务。是否支持批量任务是。推理和训练均支持批量处理可通过batch参数指定批次大小显著提升吞吐量。适合场景1.学习与研究零基础入门目标检测。2.快速原型验证用预训练模型快速验证想法。3.工业级应用自定义数据训练部署到服务器或边缘设备。4.集成与二次开发作为基础视觉模块嵌入更大的系统。2. 适用场景与使用边界YOLO 系列模型因其出色的速度和精度平衡在众多场景中都有广泛应用。了解其擅长和不擅长的领域能帮助你更好地规划项目。它非常适合以下场景实时视频分析如安防监控、交通流量统计、工业质检线上的实时缺陷检测。移动端与嵌入式设备经过优化如转换为 TFLite, ONNX Runtime后可在手机、无人机、边缘计算盒子上运行。学术研究与竞赛基线作为目标检测任务的强基线模型便于进行算法改进和对比实验。自定义物体识别你可以用它来识别特定种类的商品、野生动物、医疗影像中的特定区域等。需要注意的使用边界极小目标检测对于图像中像素占比极小的目标YOLO 可能不如一些专门设计的多阶段检测器如 Faster R-CNN或带特征金字塔的模型。极端密集场景当图像中物体极度密集、重叠严重时标准的 NMS非极大值抑制后处理可能会漏检或误检可能需要使用 SAHI切片推理等策略。数据要求虽然支持小样本学习但要达到好的效果仍然需要足够数量和质量标注准确、多样的训练数据。计算资源训练大型模型如 YOLOv8x, YOLO26需要充足的 GPU 显存和计算时间。推理阶段对实时性要求极高的场景可能需要针对特定硬件如 TensorRT进行深度优化。版权与合规在使用任何预训练模型或训练自定义模型时必须确保你的训练数据拥有合法授权不得用于侵犯个人隐私如无授权的人脸识别、制作虚假信息等非法用途。商业部署前请仔细评估相关法律法规。3. 环境准备与前置条件工欲善其事必先利其器。在开始 YOLO 之旅前请确保你的开发环境满足以下基本要求。我们将以最常用的Windows/Linux Python PyTorch CUDA环境为例进行说明。3.1 硬件与操作系统检查GPU可选但推荐查看你的 NVIDIA 显卡型号如 RTX 3060, RTX 4090。确认已安装NVIDIA 显卡驱动。在命令行输入nvidia-smi如果能显示 GPU 信息则驱动已安装。请确保驱动版本不要太旧。操作系统Windows 10/11, Ubuntu 18.04/20.04/22.04 或更高版本 macOS。内存建议 8GB 或以上。磁盘空间至少预留 10GB 空间用于安装环境、下载模型和数据集。3.2 软件环境安装我们将使用Conda来创建独立的 Python 环境避免与系统其他 Python 包冲突。如果你没有安装 Conda请先安装 Miniconda 或 Anaconda。步骤 1创建并激活 Conda 环境# 创建一个名为 yolo_env 的 Python 3.9 环境3.8-3.11 均可 conda create -n yolo_env python3.9 -y # 激活环境 conda activate yolo_env步骤 2安装 PyTorch 与 CUDA这是最关键的一步。请根据你的 CUDA 版本通过nvidia-smi查看右上角的 CUDA Version去 PyTorch 官网 获取安装命令。有 GPUCUDA 11.8 示例# 使用 pip 安装 PyTorch、 torchvision 和 torchaudio pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118仅 CPUpip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cpu安装后在 Python 中验证import torch print(torch.__version__) # 输出 PyTorch 版本 print(torch.cuda.is_available()) # 输出 True 表示 GPU 可用步骤 3安装 UltralyticsUltralytics 库是管理和使用 YOLOv8/YOLO26 等模型的核心。pip install ultralytics这个命令会自动安装所有必要的依赖如opencv-python,pillow,matplotlib等。步骤 4验证安装# 在命令行中执行 yolo checks这个命令会检查环境、CUDA 可用性、核心依赖等并给出报告。如果一切正常环境准备就完成了。4. 安装部署与启动方式Ultralytics YOLO 的设计哲学是“开箱即用”。它不依赖于复杂的 WebUI 或一键启动脚本而是通过极其简洁的Python API或命令行接口CLI来驱动所有功能。这是最高效、最灵活的使用方式。4.1 核心使用方式Python API几乎所有功能都可以通过几行 Python 代码完成。from ultralytics import YOLO # 1. 加载一个预训练模型会自动下载模型文件 model YOLO(yolo11n.pt) # 使用最新的 YOLOv11 纳米模型体积小速度快 # 2. 进行预测推理 results model(https://ultralytics.com/images/bus.jpg) # 可以传入图片路径、URL、PIL图像、numpy数组等 results[0].show() # 显示带检测框的图片 results[0].save(output.jpg) # 保存结果图片这就是最基本的推理流程。模型名称如yolo11n.pt中的后缀表示模型尺寸n(nano),s(small),m(medium),l(large),x(extra large)尺寸越大精度通常越高速度越慢。4.2 命令行接口CLI快速启动对于简单的任务直接使用yolo命令更快捷。# 使用 YOLOv8n 模型对一张图片进行推理 yolo predict modelyolo8n.pt sourcehttps://ultralytics.com/images/bus.jpg # 使用摄像头ID 0进行实时检测 yolo predict modelyolo8n.pt source0 # 对一个视频文件进行检测 yolo predict modelyolo8n.pt sourcepath/to/your/video.mp4CLI 模式非常适合快速测试和脚本化任务。4.3 模型下载与存放首次使用某个模型如yolo11n.pt时Ultralytics 会自动从 GitHub Release 下载并缓存到~/.cache/ultralyticsLinux/macOS或C:\Users\用户名\.cache\ultralyticsWindows目录。你也可以手动下载.pt文件然后在加载时指定本地路径。5. 功能测试与效果验证环境搭好了模型也能跑了现在我们来系统性地测试 YOLO 的各项核心功能确保你完全掌握其用法。5.1 基础图片推理测试测试目的验证模型加载、推理流程和结果可视化是否正常。操作步骤准备一张包含常见物体如人、车、狗的测试图片或者直接使用网络图片 URL。运行以下 Python 脚本from ultralytics import YOLO import cv2 # 加载模型 model YOLO(yolo8n.pt) # 从 YOLOv8 开始测试生态最成熟 # 执行推理 results model(https://ultralytics.com/images/bus.jpg) # 处理结果 for r in results: # 方式1使用内置方法显示和保存 im_array r.plot() # 绘制检测框的BGR numpy数组 cv2.imwrite(result_bus.jpg, im_array) print(检测结果已保存为 result_bus.jpg) # 方式2打印检测到的物体信息 boxes r.boxes if boxes is not None: for box in boxes: cls_id int(box.cls[0]) conf float(box.conf[0]) xyxy box.xyxy[0].tolist() print(f类别: {r.names[cls_id]}, 置信度: {conf:.2f}, 坐标: {xyxy})预期结果脚本运行后会在当前目录生成result_bus.jpg图片中的公交车、行人等会被框出。控制台会打印每个检测框的类别、置信度和坐标。判断成功图片正确生成且检测框基本合理控制台有信息输出。5.2 视频流实时推理测试测试目的验证模型处理连续帧的能力和实时性能。操作步骤from ultralytics import YOLO import cv2 model YOLO(yolo8n.pt) # 打开摄像头0 通常代表默认摄像头 cap cv2.VideoCapture(0) while cap.isOpened(): success, frame cap.read() if not success: break # 在帧上运行 YOLO 推理 results model(frame, verboseFalse) # verboseFalse 关闭冗余日志 # 在帧上绘制结果 annotated_frame results[0].plot() # 显示带结果的帧 cv2.imshow(YOLO Real-Time Detection, annotated_frame) # 按 q 退出 if cv2.waitKey(1) 0xFF ord(q): break cap.release() cv2.destroyAllWindows()预期结果打开摄像头窗口实时显示摄像头画面并对画面中的人、手机等物体进行检测和标注。性能观察观察窗口标题栏的 FPS帧率或通过任务管理器查看 GPU 利用率。yolo8n.pt在主流 GPU 上达到 100 FPS 很轻松。5.3 批量图片推理与导出测试目的验证批量处理能力和结果导出功能。操作步骤创建一个文件夹batch_images放入多张测试图片。运行以下脚本from ultralytics import YOLO import os model YOLO(yolo8n.pt) source_dir ./batch_images output_dir ./batch_results # 批量推理 results model(source_dir, saveTrue, projectoutput_dir, nameexp, exist_okTrue) # 结果也以多种格式返回例如可以获取所有检测信息 for i, r in enumerate(results): print(f图片 {i}: 检测到 {len(r.boxes) if r.boxes else 0} 个对象)关键参数saveTrue: 保存标注后的图片。project和name: 指定输出目录结构。exist_okTrue: 允许覆盖已存在的输出目录。预期结果在batch_results/exp/目录下生成所有带检测框的图片。5.4 模型验证Validation与指标解读测试目的学习如何使用标准数据集如 COCO评估模型性能理解 mAP、Precision、Recall 等关键指标。操作步骤# 使用 CLI 在 COCO128 数据集上验证 YOLOv8n 模型 yolo val modelyolo8n.pt datacoco8.yamlcoco8.yaml是一个指向小型 COCO 子集的数据集配置文件首次运行会自动下载数据。输出解读命令运行后会输出一系列表格和指标。重点关注mAP50-95(mAP0.5:0.95): 在 IoU 阈值从 0.5 到 0.95 步长 0.05 下的平均精度均值是核心综合指标。mAP50: IoU 阈值为 0.5 时的 mAP。precision和recall: 精确率和召回率。每个类别的 AP平均精度。判断成功程序能正常跑完验证流程并输出上述指标。数值本身反映了模型在验证集上的性能。6. 自定义数据集训练实战使用预训练模型推理只是第一步让模型认识你自己的物体才是终极目标。接下来我们完成一个完整的自定义训练流程。6.1 数据准备与标注收集图片收集包含你目标物体的图片建议至少每类 100-200 张角度、光照、背景尽可能多样。数据标注使用标注工具如LabelImg,CVAT,Roboflow框出物体并打上标签。标注格式需要是YOLO 格式每张图片对应一个.txt文件每行内容class_id center_x center_y width_height坐标是归一化后的值。组织目录结构按以下方式组织你的数据集custom_dataset/ ├── images/ │ ├── train/ │ │ ├── image1.jpg │ │ └── ... │ └── val/ │ ├── image100.jpg │ └── ... └── labels/ ├── train/ │ ├── image1.txt │ └── ... └── val/ ├── image100.txt └── ...6.2 创建数据集配置文件在数据集根目录custom_dataset/下创建一个data.yaml文件# data.yaml path: /absolute/path/to/custom_dataset # 数据集的根目录 train: images/train # 训练集图片相对路径 val: images/val # 验证集图片相对路径 # 类别数量和名称 nc: 3 # 你的目标类别数例如 3 names: [cat, dog, person] # 类别名称列表顺序与 class_id 对应6.3 启动模型训练使用 Python API 或 CLI 开始训练。Python API 方式from ultralytics import YOLO # 加载一个预训练模型作为起点强烈推荐即迁移学习 model YOLO(yolo8n.pt) # 开始训练 results model.train( datapath/to/custom_dataset/data.yaml, epochs100, # 训练轮数 imgsz640, # 输入图像大小 batch16, # 批次大小根据GPU显存调整 device0, # 使用 GPU 0如果是 CPU 则设为 cpu workers8, # 数据加载线程数 projectmy_train_project, nameexp1 )CLI 方式yolo train modelyolo8n.pt datapath/to/custom_dataset/data.yaml epochs100 imgsz640 batch16 device0训练过程监控训练开始后会在my_train_project/exp1/目录下生成权重文件、日志、可视化图表如损失曲线、指标曲线。你可以通过tensorboard --logdir my_train_project/exp1来启动 TensorBoard 进行更直观的监控。6.4 使用训练好的模型进行推理训练完成后最佳模型权重通常保存在my_train_project/exp1/weights/best.pt。from ultralytics import YOLO # 加载你训练好的最佳模型 custom_model YOLO(my_train_project/exp1/weights/best.pt) # 用你自己的图片进行测试 results custom_model(path/to/your/test_image.jpg) results[0].show()至此你已经完成了从数据准备到训练验证的完整闭环。7. 资源占用与性能观察在实际部署和应用中了解模型的资源消耗和性能表现至关重要。7.1 显存占用观察显存占用主要受以下因素影响模型尺寸n,s,m,l,x模型参数量依次增大显存占用也递增。输入图像尺寸 (imgsz)分辨率越高占用显存越多。默认 640x640 是一个平衡点。批次大小 (batch)训练时影响巨大。推理时如果进行批量处理也会增加显存占用。观察方法在训练或推理脚本运行时在另一个终端使用nvidia-smi命令动态查看 GPU 显存使用情况。在代码中可以使用torch.cuda.memory_allocated()进行更精确的测量。降低显存占用的技巧训练时减小batch大小使用imgsz320等更小的输入尺寸尝试使用混合精度训练ampTrue。推理时使用更小的模型如nano进行单张图片推理而非批量降低输入分辨率。7.2 CPU 与 GPU 推理速度对比对于实时性要求不高的场景或没有 GPU 的环境CPU 推理是完全可行的。import time from ultralytics import YOLO model YOLO(yolo8n.pt) img test.jpg # GPU 推理 start time.time() _ model(img, device0) # device0 指定 GPU print(fGPU 推理时间: {time.time() - start:.3f} 秒) # CPU 推理 start time.time() _ model(img, devicecpu) # devicecpu print(fCPU 推理时间: {time.time() - start:.3f} 秒)通常情况下GPU 推理速度会比 CPU 快一个数量级10倍以上。对于yolo8n这样的轻量模型CPU 上处理单张图片也可能在 100 毫秒以内满足部分离线批处理需求。7.3 模型导出与优化加速为了在生产环境尤其是边缘设备获得极致性能需要将 PyTorch 模型导出为优化后的格式。from ultralytics import YOLO model YOLO(yolo8n.pt) # 导出为 ONNX 格式通用交换格式 model.export(formatonnx) # 导出为 TensorRT 格式NVIDIA GPU 极致加速 model.export(formatengine, device0) # 需要提前安装 tensorrt # 导出为 OpenVINO 格式Intel CPU/GPU 加速 model.export(formatopenvino)导出后的模型如yolo8n.onnx可以使用对应的推理引擎ONNX Runtime, TensorRT, OpenVINO Runtime进行加载和推理通常能获得比原生 PyTorch 更快的速度尤其是 TensorRT 对 NVIDIA GPU 的优化非常显著。8. 常见问题与排查方法在学习和使用过程中你可能会遇到一些问题。下表列出了常见问题及其解决方法。问题现象可能原因排查方式解决方案ImportError: No module named ultralyticsUltralytics 库未安装或不在当前 Python 环境。在终端输入 pip listgrep ultralytics。torch.cuda.is_available()返回 False1. 未安装 GPU 版 PyTorch。2. CUDA 版本与 PyTorch 不匹配。3. NVIDIA 驱动太旧。1. 检查 PyTorch 安装命令。2. 运行nvidia-smi查看 CUDA 版本。3. 检查驱动版本。1. 根据 CUDA 版本重新安装 PyTorch。2. 更新 NVIDIA 显卡驱动。训练时显存不足CUDA out of memorybatch或imgsz设置过大。观察nvidia-smi中的显存使用量。1. 减小batch大小如 16-8。2. 减小imgsz如 640-320。3. 使用更小的模型如yolo8n。模型下载失败或极慢网络连接问题无法访问 GitHub。尝试在浏览器中打开模型下载链接。1. 手动下载.pt文件放入~/.cache/ultralytics/hub目录。2. 设置代理或使用国内镜像源如修改 hosts。标注文件读取错误1..txt标注文件格式错误。2.data.yaml中路径配置错误。3. 图片和标注文件不匹配。1. 检查.txt文件内容格式。2. 检查data.yaml中的path,train,val路径是否为绝对路径或正确相对路径。3. 确认images/train和labels/train下的文件名不含后缀一一对应。1. 使用官方工具或脚本验证标注格式。2. 将data.yaml中的路径改为绝对路径。3. 检查文件名是否一致。训练 loss 不下降或 NaN1. 学习率 (lr0) 设置过高。2. 数据有问题如标注错误。3. 模型架构与数据不匹配。1. 查看训练日志开始的超参数。2. 可视化部分训练数据检查标注框是否合理。1. 降低初始学习率如从 0.01 降到 0.001。2. 仔细检查并清洗数据。3. 使用预训练权重并冻结部分层进行微调。推理结果为空未检测到任何物体1. 置信度阈值 (conf) 设置过高。2. 目标物体与训练数据差异太大。3. 模型未正确加载。1. 推理时设置conf0.25默认值。2. 用预训练模型如yolo8n.pt测试常见物体是否有效。3. 打印模型信息print(model)。1. 降低conf参数值。2. 使用更多样化的数据重新训练模型。3. 确保模型文件路径正确且完整。如何评估自己训练的模型不熟悉评估命令或指标。参考章节 5.4。使用yolo val modelpath/to/best.pt datadata.yaml在验证集上进行评估。9. 最佳实践与使用建议为了更高效、更稳定地使用 YOLO 进行项目开发这里有一些经验性的建议。从“小”开始初次尝试时务必使用最小的模型如yolo8n.pt和官方示例数据进行推理和训练。这能帮你快速验证环境、熟悉流程并节省大量时间。数据质量至上目标检测模型的效果七分靠数据三分靠调参。确保你的标注准确框紧贴物体、一致同类物体标准统一、全面覆盖各种场景和形态。善用预训练权重除非有极特殊的需求否则永远从预训练模型开始微调model.train(...)。这能利用模型在大型数据集如 COCO上学到的通用特征极大加速收敛并提升最终精度。版本管理Ultralytics 库和模型更新很快。对于生产项目建议在requirements.txt中固定版本号例如ultralytics8.0.xx以避免因版本升级带来的不兼容问题。系统化管理实验使用project和name参数来组织你的训练实验。每次训练都会生成一个独立的目录包含权重、配置、日志和可视化结果便于回溯和比较。部署前优化在开发环境验证无误后部署到生产环境前务必进行模型导出和性能测试。针对你的部署硬件NVIDIA GPU, Intel CPU, ARM等选择最优的导出格式TensorRT, OpenVINO, CoreML等并进行压力测试。合规与伦理重申一遍将技术用于正当场景。处理涉及人脸、车牌、个人行为等敏感数据时必须严格遵守《网络安全法》、《数据安全法》和《个人信息保护法》等相关法律法规获取必要授权并采取数据脱敏等安全措施。10. 总结与下一步通过本文你应该已经完成了从零基础到能够独立使用 YOLO 进行环境搭建、推理、训练和简单部署的全过程。YOLO 的强大之处在于其极简的 API和完整的生态让你能快速将想法落地。最值得尝试的下一步挑战一个真实项目找一个你感兴趣的具体问题如识别某种特定植物、统计货架商品、检测工业零件缺陷按照本文的流程从数据收集标注开始完成一个端到端的自定义模型训练。探索高级特性本文主要涵盖了目标检测。YOLOv8 及之后的版本还支持实例分割-seg模型、姿态估计-pose模型、分类等任务。尝试使用yolo8n-seg.pt或yolo8n-pose.pt模型探索这些扩展功能。深入性能优化尝试将你的模型导出为 TensorRT 或 OpenVINO 格式并编写相应的 C 或 Python 推理脚本对比优化前后的速度提升。这对于嵌入式部署至关重要。集成到应用将训练好的模型封装成一个简单的 Flask 或 FastAPI 服务提供 HTTP API让其他程序可以方便地调用你的检测能力。学习 YOLO 和深度学习是一个持续的过程。遇到问题时善用官方文档 docs.ultralytics.com 、GitHub Issues 和社区论坛。建议收藏本文作为操作手册在实战中反复查阅。
YOLO目标检测从入门到实战：2小时掌握环境搭建、模型训练与部署
发布时间：2026/7/3 15:39:37
这次我们来看一个面向零基础学习者的 YOLO 系列保姆级教程。YOLOYou Only Look Once作为实时目标检测领域的标杆从最初的 YOLOv1 到最新的 YOLOv26其核心思想始终是“单次前向传播完成检测”在速度和精度之间取得了极佳的平衡。对于想入门计算机视觉、目标检测或者希望快速上手项目实战的开发者来说掌握 YOLO 是一条高效的路径。本教程的核心目标是让你在 2 小时内从零开始完成从环境搭建、模型推理到项目实战的完整闭环。我们不仅会涵盖 YOLO 的基础概念更会聚焦于最实用的部分如何快速安装环境、如何用预训练模型进行推理、如何准备和处理自己的数据集并最终完成一个自定义目标检测项目。无论你手头是带 GPU 的台式机、笔记本还是只有 CPU 的普通电脑我们都会提供对应的部署和运行方案。本文将重点拆解以下几个关键环节首先快速了解 YOLO 的核心能力与生态其次完成 Python、PyTorch、CUDA 等环境的无痛安装接着使用 Ultralytics 框架进行图片和视频的实时推理然后学习如何标注数据、转换格式并训练自己的模型最后我们会探讨模型部署和性能优化的思路。整个过程强调实操每一步都有可执行的代码和命令确保你能跟着做、跑得通。1. 核心能力速览在深入细节之前我们先通过一个表格快速了解基于 Ultralytics 框架的现代 YOLO如 YOLOv8, YOLOv11, YOLO26所具备的核心能力这有助于你判断它是否适合你的项目。能力项说明项目类型实时目标检测、实例分割、姿态估计、分类、OBB定向边界框等多任务框架。开源团队/来源UltralyticsYOLOv5及之后版本的主要维护者社区活跃更新频繁。主要功能训练、验证、预测、导出、部署一站式解决方案。支持从数据标注到模型服务的全流程。推荐硬件GPU推荐NVIDIA GPU支持 CUDA显存建议 4GB 以上以获得更好体验。CPU可用支持纯 CPU 推理和训练速度较慢但功能完整。边缘设备支持 NVIDIA Jetson、Raspberry Pi配合 Edge TPU等。显存占用推理模型大小和输入分辨率决定。以 YOLOv8n纳米级为例640x640 输入下GPU 显存占用通常在 1GB 以内。YOLOv8x 或更大模型可能需要 4GB 以上。实际占用需以本机测试为准。支持平台Windows, Linux, macOS。支持 Docker 容器化部署。启动/使用方式主要通过 Python API 或命令行接口CLI调用。提供 Web UIGradio等社区工具可选。是否支持 API是。可通过 PythonYOLO类进行编程调用也支持将模型导出为 ONNX、TensorRT 等格式后通过 Triton Inference Server 等提供 HTTP/gRPC API 服务。是否支持批量任务是。推理和训练均支持批量处理可通过batch参数指定批次大小显著提升吞吐量。适合场景1.学习与研究零基础入门目标检测。2.快速原型验证用预训练模型快速验证想法。3.工业级应用自定义数据训练部署到服务器或边缘设备。4.集成与二次开发作为基础视觉模块嵌入更大的系统。2. 适用场景与使用边界YOLO 系列模型因其出色的速度和精度平衡在众多场景中都有广泛应用。了解其擅长和不擅长的领域能帮助你更好地规划项目。它非常适合以下场景实时视频分析如安防监控、交通流量统计、工业质检线上的实时缺陷检测。移动端与嵌入式设备经过优化如转换为 TFLite, ONNX Runtime后可在手机、无人机、边缘计算盒子上运行。学术研究与竞赛基线作为目标检测任务的强基线模型便于进行算法改进和对比实验。自定义物体识别你可以用它来识别特定种类的商品、野生动物、医疗影像中的特定区域等。需要注意的使用边界极小目标检测对于图像中像素占比极小的目标YOLO 可能不如一些专门设计的多阶段检测器如 Faster R-CNN或带特征金字塔的模型。极端密集场景当图像中物体极度密集、重叠严重时标准的 NMS非极大值抑制后处理可能会漏检或误检可能需要使用 SAHI切片推理等策略。数据要求虽然支持小样本学习但要达到好的效果仍然需要足够数量和质量标注准确、多样的训练数据。计算资源训练大型模型如 YOLOv8x, YOLO26需要充足的 GPU 显存和计算时间。推理阶段对实时性要求极高的场景可能需要针对特定硬件如 TensorRT进行深度优化。版权与合规在使用任何预训练模型或训练自定义模型时必须确保你的训练数据拥有合法授权不得用于侵犯个人隐私如无授权的人脸识别、制作虚假信息等非法用途。商业部署前请仔细评估相关法律法规。3. 环境准备与前置条件工欲善其事必先利其器。在开始 YOLO 之旅前请确保你的开发环境满足以下基本要求。我们将以最常用的Windows/Linux Python PyTorch CUDA环境为例进行说明。3.1 硬件与操作系统检查GPU可选但推荐查看你的 NVIDIA 显卡型号如 RTX 3060, RTX 4090。确认已安装NVIDIA 显卡驱动。在命令行输入nvidia-smi如果能显示 GPU 信息则驱动已安装。请确保驱动版本不要太旧。操作系统Windows 10/11, Ubuntu 18.04/20.04/22.04 或更高版本 macOS。内存建议 8GB 或以上。磁盘空间至少预留 10GB 空间用于安装环境、下载模型和数据集。3.2 软件环境安装我们将使用Conda来创建独立的 Python 环境避免与系统其他 Python 包冲突。如果你没有安装 Conda请先安装 Miniconda 或 Anaconda。步骤 1创建并激活 Conda 环境# 创建一个名为 yolo_env 的 Python 3.9 环境3.8-3.11 均可 conda create -n yolo_env python3.9 -y # 激活环境 conda activate yolo_env步骤 2安装 PyTorch 与 CUDA这是最关键的一步。请根据你的 CUDA 版本通过nvidia-smi查看右上角的 CUDA Version去 PyTorch 官网 获取安装命令。有 GPUCUDA 11.8 示例# 使用 pip 安装 PyTorch、 torchvision 和 torchaudio pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118仅 CPUpip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cpu安装后在 Python 中验证import torch print(torch.__version__) # 输出 PyTorch 版本 print(torch.cuda.is_available()) # 输出 True 表示 GPU 可用步骤 3安装 UltralyticsUltralytics 库是管理和使用 YOLOv8/YOLO26 等模型的核心。pip install ultralytics这个命令会自动安装所有必要的依赖如opencv-python,pillow,matplotlib等。步骤 4验证安装# 在命令行中执行 yolo checks这个命令会检查环境、CUDA 可用性、核心依赖等并给出报告。如果一切正常环境准备就完成了。4. 安装部署与启动方式Ultralytics YOLO 的设计哲学是“开箱即用”。它不依赖于复杂的 WebUI 或一键启动脚本而是通过极其简洁的Python API或命令行接口CLI来驱动所有功能。这是最高效、最灵活的使用方式。4.1 核心使用方式Python API几乎所有功能都可以通过几行 Python 代码完成。from ultralytics import YOLO # 1. 加载一个预训练模型会自动下载模型文件 model YOLO(yolo11n.pt) # 使用最新的 YOLOv11 纳米模型体积小速度快 # 2. 进行预测推理 results model(https://ultralytics.com/images/bus.jpg) # 可以传入图片路径、URL、PIL图像、numpy数组等 results[0].show() # 显示带检测框的图片 results[0].save(output.jpg) # 保存结果图片这就是最基本的推理流程。模型名称如yolo11n.pt中的后缀表示模型尺寸n(nano),s(small),m(medium),l(large),x(extra large)尺寸越大精度通常越高速度越慢。4.2 命令行接口CLI快速启动对于简单的任务直接使用yolo命令更快捷。# 使用 YOLOv8n 模型对一张图片进行推理 yolo predict modelyolo8n.pt sourcehttps://ultralytics.com/images/bus.jpg # 使用摄像头ID 0进行实时检测 yolo predict modelyolo8n.pt source0 # 对一个视频文件进行检测 yolo predict modelyolo8n.pt sourcepath/to/your/video.mp4CLI 模式非常适合快速测试和脚本化任务。4.3 模型下载与存放首次使用某个模型如yolo11n.pt时Ultralytics 会自动从 GitHub Release 下载并缓存到~/.cache/ultralyticsLinux/macOS或C:\Users\用户名\.cache\ultralyticsWindows目录。你也可以手动下载.pt文件然后在加载时指定本地路径。5. 功能测试与效果验证环境搭好了模型也能跑了现在我们来系统性地测试 YOLO 的各项核心功能确保你完全掌握其用法。5.1 基础图片推理测试测试目的验证模型加载、推理流程和结果可视化是否正常。操作步骤准备一张包含常见物体如人、车、狗的测试图片或者直接使用网络图片 URL。运行以下 Python 脚本from ultralytics import YOLO import cv2 # 加载模型 model YOLO(yolo8n.pt) # 从 YOLOv8 开始测试生态最成熟 # 执行推理 results model(https://ultralytics.com/images/bus.jpg) # 处理结果 for r in results: # 方式1使用内置方法显示和保存 im_array r.plot() # 绘制检测框的BGR numpy数组 cv2.imwrite(result_bus.jpg, im_array) print(检测结果已保存为 result_bus.jpg) # 方式2打印检测到的物体信息 boxes r.boxes if boxes is not None: for box in boxes: cls_id int(box.cls[0]) conf float(box.conf[0]) xyxy box.xyxy[0].tolist() print(f类别: {r.names[cls_id]}, 置信度: {conf:.2f}, 坐标: {xyxy})预期结果脚本运行后会在当前目录生成result_bus.jpg图片中的公交车、行人等会被框出。控制台会打印每个检测框的类别、置信度和坐标。判断成功图片正确生成且检测框基本合理控制台有信息输出。5.2 视频流实时推理测试测试目的验证模型处理连续帧的能力和实时性能。操作步骤from ultralytics import YOLO import cv2 model YOLO(yolo8n.pt) # 打开摄像头0 通常代表默认摄像头 cap cv2.VideoCapture(0) while cap.isOpened(): success, frame cap.read() if not success: break # 在帧上运行 YOLO 推理 results model(frame, verboseFalse) # verboseFalse 关闭冗余日志 # 在帧上绘制结果 annotated_frame results[0].plot() # 显示带结果的帧 cv2.imshow(YOLO Real-Time Detection, annotated_frame) # 按 q 退出 if cv2.waitKey(1) 0xFF ord(q): break cap.release() cv2.destroyAllWindows()预期结果打开摄像头窗口实时显示摄像头画面并对画面中的人、手机等物体进行检测和标注。性能观察观察窗口标题栏的 FPS帧率或通过任务管理器查看 GPU 利用率。yolo8n.pt在主流 GPU 上达到 100 FPS 很轻松。5.3 批量图片推理与导出测试目的验证批量处理能力和结果导出功能。操作步骤创建一个文件夹batch_images放入多张测试图片。运行以下脚本from ultralytics import YOLO import os model YOLO(yolo8n.pt) source_dir ./batch_images output_dir ./batch_results # 批量推理 results model(source_dir, saveTrue, projectoutput_dir, nameexp, exist_okTrue) # 结果也以多种格式返回例如可以获取所有检测信息 for i, r in enumerate(results): print(f图片 {i}: 检测到 {len(r.boxes) if r.boxes else 0} 个对象)关键参数saveTrue: 保存标注后的图片。project和name: 指定输出目录结构。exist_okTrue: 允许覆盖已存在的输出目录。预期结果在batch_results/exp/目录下生成所有带检测框的图片。5.4 模型验证Validation与指标解读测试目的学习如何使用标准数据集如 COCO评估模型性能理解 mAP、Precision、Recall 等关键指标。操作步骤# 使用 CLI 在 COCO128 数据集上验证 YOLOv8n 模型 yolo val modelyolo8n.pt datacoco8.yamlcoco8.yaml是一个指向小型 COCO 子集的数据集配置文件首次运行会自动下载数据。输出解读命令运行后会输出一系列表格和指标。重点关注mAP50-95(mAP0.5:0.95): 在 IoU 阈值从 0.5 到 0.95 步长 0.05 下的平均精度均值是核心综合指标。mAP50: IoU 阈值为 0.5 时的 mAP。precision和recall: 精确率和召回率。每个类别的 AP平均精度。判断成功程序能正常跑完验证流程并输出上述指标。数值本身反映了模型在验证集上的性能。6. 自定义数据集训练实战使用预训练模型推理只是第一步让模型认识你自己的物体才是终极目标。接下来我们完成一个完整的自定义训练流程。6.1 数据准备与标注收集图片收集包含你目标物体的图片建议至少每类 100-200 张角度、光照、背景尽可能多样。数据标注使用标注工具如LabelImg,CVAT,Roboflow框出物体并打上标签。标注格式需要是YOLO 格式每张图片对应一个.txt文件每行内容class_id center_x center_y width_height坐标是归一化后的值。组织目录结构按以下方式组织你的数据集custom_dataset/ ├── images/ │ ├── train/ │ │ ├── image1.jpg │ │ └── ... │ └── val/ │ ├── image100.jpg │ └── ... └── labels/ ├── train/ │ ├── image1.txt │ └── ... └── val/ ├── image100.txt └── ...6.2 创建数据集配置文件在数据集根目录custom_dataset/下创建一个data.yaml文件# data.yaml path: /absolute/path/to/custom_dataset # 数据集的根目录 train: images/train # 训练集图片相对路径 val: images/val # 验证集图片相对路径 # 类别数量和名称 nc: 3 # 你的目标类别数例如 3 names: [cat, dog, person] # 类别名称列表顺序与 class_id 对应6.3 启动模型训练使用 Python API 或 CLI 开始训练。Python API 方式from ultralytics import YOLO # 加载一个预训练模型作为起点强烈推荐即迁移学习 model YOLO(yolo8n.pt) # 开始训练 results model.train( datapath/to/custom_dataset/data.yaml, epochs100, # 训练轮数 imgsz640, # 输入图像大小 batch16, # 批次大小根据GPU显存调整 device0, # 使用 GPU 0如果是 CPU 则设为 cpu workers8, # 数据加载线程数 projectmy_train_project, nameexp1 )CLI 方式yolo train modelyolo8n.pt datapath/to/custom_dataset/data.yaml epochs100 imgsz640 batch16 device0训练过程监控训练开始后会在my_train_project/exp1/目录下生成权重文件、日志、可视化图表如损失曲线、指标曲线。你可以通过tensorboard --logdir my_train_project/exp1来启动 TensorBoard 进行更直观的监控。6.4 使用训练好的模型进行推理训练完成后最佳模型权重通常保存在my_train_project/exp1/weights/best.pt。from ultralytics import YOLO # 加载你训练好的最佳模型 custom_model YOLO(my_train_project/exp1/weights/best.pt) # 用你自己的图片进行测试 results custom_model(path/to/your/test_image.jpg) results[0].show()至此你已经完成了从数据准备到训练验证的完整闭环。7. 资源占用与性能观察在实际部署和应用中了解模型的资源消耗和性能表现至关重要。7.1 显存占用观察显存占用主要受以下因素影响模型尺寸n,s,m,l,x模型参数量依次增大显存占用也递增。输入图像尺寸 (imgsz)分辨率越高占用显存越多。默认 640x640 是一个平衡点。批次大小 (batch)训练时影响巨大。推理时如果进行批量处理也会增加显存占用。观察方法在训练或推理脚本运行时在另一个终端使用nvidia-smi命令动态查看 GPU 显存使用情况。在代码中可以使用torch.cuda.memory_allocated()进行更精确的测量。降低显存占用的技巧训练时减小batch大小使用imgsz320等更小的输入尺寸尝试使用混合精度训练ampTrue。推理时使用更小的模型如nano进行单张图片推理而非批量降低输入分辨率。7.2 CPU 与 GPU 推理速度对比对于实时性要求不高的场景或没有 GPU 的环境CPU 推理是完全可行的。import time from ultralytics import YOLO model YOLO(yolo8n.pt) img test.jpg # GPU 推理 start time.time() _ model(img, device0) # device0 指定 GPU print(fGPU 推理时间: {time.time() - start:.3f} 秒) # CPU 推理 start time.time() _ model(img, devicecpu) # devicecpu print(fCPU 推理时间: {time.time() - start:.3f} 秒)通常情况下GPU 推理速度会比 CPU 快一个数量级10倍以上。对于yolo8n这样的轻量模型CPU 上处理单张图片也可能在 100 毫秒以内满足部分离线批处理需求。7.3 模型导出与优化加速为了在生产环境尤其是边缘设备获得极致性能需要将 PyTorch 模型导出为优化后的格式。from ultralytics import YOLO model YOLO(yolo8n.pt) # 导出为 ONNX 格式通用交换格式 model.export(formatonnx) # 导出为 TensorRT 格式NVIDIA GPU 极致加速 model.export(formatengine, device0) # 需要提前安装 tensorrt # 导出为 OpenVINO 格式Intel CPU/GPU 加速 model.export(formatopenvino)导出后的模型如yolo8n.onnx可以使用对应的推理引擎ONNX Runtime, TensorRT, OpenVINO Runtime进行加载和推理通常能获得比原生 PyTorch 更快的速度尤其是 TensorRT 对 NVIDIA GPU 的优化非常显著。8. 常见问题与排查方法在学习和使用过程中你可能会遇到一些问题。下表列出了常见问题及其解决方法。问题现象可能原因排查方式解决方案ImportError: No module named ultralyticsUltralytics 库未安装或不在当前 Python 环境。在终端输入 pip listgrep ultralytics。torch.cuda.is_available()返回 False1. 未安装 GPU 版 PyTorch。2. CUDA 版本与 PyTorch 不匹配。3. NVIDIA 驱动太旧。1. 检查 PyTorch 安装命令。2. 运行nvidia-smi查看 CUDA 版本。3. 检查驱动版本。1. 根据 CUDA 版本重新安装 PyTorch。2. 更新 NVIDIA 显卡驱动。训练时显存不足CUDA out of memorybatch或imgsz设置过大。观察nvidia-smi中的显存使用量。1. 减小batch大小如 16-8。2. 减小imgsz如 640-320。3. 使用更小的模型如yolo8n。模型下载失败或极慢网络连接问题无法访问 GitHub。尝试在浏览器中打开模型下载链接。1. 手动下载.pt文件放入~/.cache/ultralytics/hub目录。2. 设置代理或使用国内镜像源如修改 hosts。标注文件读取错误1..txt标注文件格式错误。2.data.yaml中路径配置错误。3. 图片和标注文件不匹配。1. 检查.txt文件内容格式。2. 检查data.yaml中的path,train,val路径是否为绝对路径或正确相对路径。3. 确认images/train和labels/train下的文件名不含后缀一一对应。1. 使用官方工具或脚本验证标注格式。2. 将data.yaml中的路径改为绝对路径。3. 检查文件名是否一致。训练 loss 不下降或 NaN1. 学习率 (lr0) 设置过高。2. 数据有问题如标注错误。3. 模型架构与数据不匹配。1. 查看训练日志开始的超参数。2. 可视化部分训练数据检查标注框是否合理。1. 降低初始学习率如从 0.01 降到 0.001。2. 仔细检查并清洗数据。3. 使用预训练权重并冻结部分层进行微调。推理结果为空未检测到任何物体1. 置信度阈值 (conf) 设置过高。2. 目标物体与训练数据差异太大。3. 模型未正确加载。1. 推理时设置conf0.25默认值。2. 用预训练模型如yolo8n.pt测试常见物体是否有效。3. 打印模型信息print(model)。1. 降低conf参数值。2. 使用更多样化的数据重新训练模型。3. 确保模型文件路径正确且完整。如何评估自己训练的模型不熟悉评估命令或指标。参考章节 5.4。使用yolo val modelpath/to/best.pt datadata.yaml在验证集上进行评估。9. 最佳实践与使用建议为了更高效、更稳定地使用 YOLO 进行项目开发这里有一些经验性的建议。从“小”开始初次尝试时务必使用最小的模型如yolo8n.pt和官方示例数据进行推理和训练。这能帮你快速验证环境、熟悉流程并节省大量时间。数据质量至上目标检测模型的效果七分靠数据三分靠调参。确保你的标注准确框紧贴物体、一致同类物体标准统一、全面覆盖各种场景和形态。善用预训练权重除非有极特殊的需求否则永远从预训练模型开始微调model.train(...)。这能利用模型在大型数据集如 COCO上学到的通用特征极大加速收敛并提升最终精度。版本管理Ultralytics 库和模型更新很快。对于生产项目建议在requirements.txt中固定版本号例如ultralytics8.0.xx以避免因版本升级带来的不兼容问题。系统化管理实验使用project和name参数来组织你的训练实验。每次训练都会生成一个独立的目录包含权重、配置、日志和可视化结果便于回溯和比较。部署前优化在开发环境验证无误后部署到生产环境前务必进行模型导出和性能测试。针对你的部署硬件NVIDIA GPU, Intel CPU, ARM等选择最优的导出格式TensorRT, OpenVINO, CoreML等并进行压力测试。合规与伦理重申一遍将技术用于正当场景。处理涉及人脸、车牌、个人行为等敏感数据时必须严格遵守《网络安全法》、《数据安全法》和《个人信息保护法》等相关法律法规获取必要授权并采取数据脱敏等安全措施。10. 总结与下一步通过本文你应该已经完成了从零基础到能够独立使用 YOLO 进行环境搭建、推理、训练和简单部署的全过程。YOLO 的强大之处在于其极简的 API和完整的生态让你能快速将想法落地。最值得尝试的下一步挑战一个真实项目找一个你感兴趣的具体问题如识别某种特定植物、统计货架商品、检测工业零件缺陷按照本文的流程从数据收集标注开始完成一个端到端的自定义模型训练。探索高级特性本文主要涵盖了目标检测。YOLOv8 及之后的版本还支持实例分割-seg模型、姿态估计-pose模型、分类等任务。尝试使用yolo8n-seg.pt或yolo8n-pose.pt模型探索这些扩展功能。深入性能优化尝试将你的模型导出为 TensorRT 或 OpenVINO 格式并编写相应的 C 或 Python 推理脚本对比优化前后的速度提升。这对于嵌入式部署至关重要。集成到应用将训练好的模型封装成一个简单的 Flask 或 FastAPI 服务提供 HTTP API让其他程序可以方便地调用你的检测能力。学习 YOLO 和深度学习是一个持续的过程。遇到问题时善用官方文档 docs.ultralytics.com 、GitHub Issues 和社区论坛。建议收藏本文作为操作手册在实战中反复查阅。
![华为OD机试2025C卷-字符串变换最小次数[100分]（ Java _ Python3 _ C++ _ C语言 _ JsNode _ Go）实现100%通过率](http://pic.xiahunao.cn/yaotu/华为OD机试2025C卷-字符串变换最小次数[100分]（ Java _ Python3 _ C++ _ C语言 _ JsNode _ Go）实现100%通过率)
![华为OD机试2025C卷-内存资源分配[100分]（ Java _ Python3 _ C++ _ C语言 _ JsNode _ Go）实现100%通过率](http://pic.xiahunao.cn/yaotu/华为OD机试2025C卷-内存资源分配[100分]（ Java _ Python3 _ C++ _ C语言 _ JsNode _ Go）实现100%通过率)
