Ultralytics YOLO 安装与使用教程

一、安装内容说明

使用 Ultralytics YOLO，主要需要安装以下组件：

1. Python
2. PyTorch
3. Ultralytics
4. NVIDIA 显卡驱动（使用 NVIDIA GPU 时）
5. 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 pip：

python -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 PATH

2. 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_training

4. 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.ps1

CMD

.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 pip

python -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 PyTorch

1. RTX 3060 推荐安装方式

安装 CUDA 12.8 版本的 PyTorch：

python -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.x+cu128 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/cpu

CPU 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 model=yolo11n.pt source="https://ultralytics.com/images/bus.jpg" imgsz=640 conf=0.25 device=0 save=True

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 device=0 使用第0块显卡 save=True 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\predict3

2. 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 model=yolo11n.pt source="test.jpg" device=0 show=True save=True

3. 检测视频

yolo detect predict model=yolo11n.pt source="test.mp4" imgsz=640 conf=0.25 device=0 show=True save=True

4. 使用摄像头

电脑的第一个摄像头通常编号为 0：

yolo detect predict model=yolo11n.pt source=0 device=0 show=True

如果存在多个摄像头，可以尝试：

source=1

或者：

source=2

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(f"PyTorch版本：{torch.__version__}") print(f"CUDA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( source="test.jpg", imgsz=640, conf=0.25, device=device, show=True, save=True, ) 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 model="runs\aimlab_v5nu\weights\best.pt" source="test.jpg" imgsz=320 conf=0.1 device=0 show=True save=True

检测视频：

yolo detect predict model="runs\aimlab_v5nu\weights\best.pt" source="aimlab_test.mp4" imgsz=320 conf=0.1 device=0 show=True save=True

Windows 路径中存在空格时，必须使用双引号：

model="C:\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.txt

2. 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 model="yolo11n.pt" data="aimlab.yaml" epochs=100 imgsz=320 batch=-1 device=0 workers=4 project="runs" name="aimlab_yolo11n"

如果继续使用 YOLOv5 Ultralytics 模型，也可以写成：

yolo detect train model="yolov5nu.pt" data="aimlab.yaml" epochs=100 imgsz=320 batch=-1 device=0 workers=4 project="runs" name="aimlab_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 model="runs\aimlab_yolo11n\weights\best.pt" format=onnx imgsz=320 opset=12 simplify=True

导出完成后一般会生成：

best.onnx

也可以用 Python：

from ultralytics import YOLO model = YOLO(r"runs\aimlab_yolo11n\weights\best.pt") model.export( format="onnx", imgsz=320, opset=12, simplify=True, )

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-venv

2. 创建项目目录

mkdir -p ~/yolo_project cd ~/yolo_project

3. 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 pip

python -m pip install --upgrade pip setuptools wheel

5. 安装 PyTorch

NVIDIA GPU 环境：

python -m pip install torch torchvision --index-url https://download.pytorch.org/whl/cu128

CPU 环境：

python -m pip install torch torchvision --index-url https://download.pytorch.org/whl/cpu

6. 安装 YOLO

python -m pip install -U ultralytics

7. 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.ps1

Ubuntu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.ps1

Ubuntu：

source .venv/bin/activate

然后重新安装或检查：

python -m pip install -U ultralytics yolo version

2. 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 PyTorch
• NVIDIA 驱动没有安装
• 虚拟环境中使用了另一个 Python
• pip 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 PyTorch：

python -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/cu128

3. 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 model=yolo11n.pt data=aimlab.yaml epochs=100 imgsz=320 batch=8 device=0

仍然显存不足时：

yolo detect train model=yolo11n.pt data=aimlab.yaml epochs=100 imgsz=256 batch=4 device=0

4. 下载速度慢

可以先安装 GPU 版 PyTorch，然后用镜像安装 Ultralytics：

python -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：

Windows：

deactivate rmdir /s /q .venv python -m venv .venv .\.venv\Scripts\activate

PowerShell 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 RKNN

RK3566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