Ubuntu20.04安装测试YOLOv1
目录
安装 Ultralytics（YOLO11）
获取预训练权重
命令行推理测试
Python API 调用示例
可选：GPU 加速配置（Conda）
常见操作示例
安装 Ultralytics（YOLO11）
官方发布的稳定版，适合绝大多数场景：
pip install --upgrade pip
pip install ultralytics
运行项目并下载源码
bash
1
2
获取预训练权重
手动下载
curl -L -o yolov11s.pt \
https://github.com/ultralytics/assets/releases/download/v1.1.0/yolov11s.pt
运行项目并下载源码
bash
1
2
脚本下载（开发版仓库内）
git clone https://github.com/ultralytics/ultralytics.git
cd ultralytics
python scripts/download_weights.py --model yolov11s
运行项目并下载源码
bash
1
2
3
提示：典型模型文件名包括 yolov11n.pt（nano）、yolov11s.pt（small）等。
命令行推理测试
在当前目录（ultralytics/）准备一张测试图片（如 cat.jpg）。
执行如下命令：
yolo predict model=yolov11s.pt source=cat.jpg
运行项目并下载源码
bash
1
检查输出：
终端会显示推理进度与结果概览
检测后带框的图片将保存在 runs/detect/exp*/ 目录下
Python API 调用示例
若需在代码中集成推理，可使用如下示例脚本：
from ultralytics import YOLO
# 加载模型
model = YOLO('yolov11s.pt')
# 对单张图片进行推理
results = model.predict(source='cat.jpg', imgsz=640)
# 可视化结果
results.show() # 弹窗展示或在 notebook 中渲染
results.save() # 保存到 runs/detect/exp*/
运行项目并下载源码
python
运行
1
2
3
4
5
6
7
8
9
10
11
说明：predict 方法还支持视频流、摄像头输入、批量目录等多种数据源。
可选：GPU 加速配置（Conda）
若有 NVIDIA GPU，建议使用 CUDA 加速：
Conda 环境中安装 GPU 版 PyTorch 与 Ultralytics
conda install -c pytorch -c nvidia -c conda-forge \
pytorch torchvision pytorch-cuda=11.8 ultralytics
运行项目并下载源码
bash
1
2
确认 GPU 可用
import torch
print(torch.cuda.is_available()) # True 表示已正确配置
运行项目并下载源码
python
运行
1
2
常见操作示例
训练自定义数据集
yolo train model=yolov11s.pt \
data=./data/custom.yaml \
epochs=50 \
imgsz=640
运行项目并下载源码
bash
1
2
3
4
导出 ONNX / TensorRT
yolo export model=yolov11s.pt format=onnx
yolo export model=yolov11s.pt format=tensorrt
————————————————
版权声明：本文为CSDN博主「可疑的墨水」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/qq_36577574/article/details/149228770
