YOLO使用白皮书
目录1. win11系统版本配置信息确认1.1. 系统详情1.2. 显卡驱动更新2. python虚拟环境准备2.1. 安装Miniconda2.2. 命令行启动conda3. 安装python核心库3.1. 安装pytorch3.2. 安装Ultralytics YOLOv83.3. 安装Jupyter4. 进行目标识别4.1. 进入conda虚拟环境4.2. 在命令行进行验证5. YOLOV11扩展5.1. 命令行模型扩展6. YOLO数据训练7. LabelImg数据标注8. 自训练模型识别1. win11系统版本配置信息确认1.1. 系统详情配置属性详细参数系统版本win11专业版(10.0.22631 版本 22631)系统类型x64CPUIntel(R) Core(TM) Ultra 7 258V2200 Mhz8 内核8 逻辑处理器内存32 GB磁盘954 GB SSDGPUInter(R) Arc(TM) 140V GPU (16GB)核显1.2. 显卡驱动更新下载地址https://www.intel.cn/content/www/cn/zh/download/785597/intel-arc-iris-xe-graphics-windows.html2. python虚拟环境准备2.1. 安装Miniconda下载地址https://www.anaconda.com/download/success2.2. 命令行启动conda#创建一个名为 yolov8_arc 的新环境并指定 Python 3.10conda create -n yolov8_arc python3.10# 激活这个环境conda activate yolov8_arc3. 安装python核心库3.1. 安装pytorchpip3 install torch torchvision3.2. 安装Ultralytics YOLOv8pip install ultralytics3.3. 安装Jupyterpip install jupyter4. 进行目标识别4.1. 进入conda虚拟环境conda activate yolov8_arc4.2. 在命令行进行验证#指定参数model模型名称参考yolov8官网source识别源文件device指定模式cpu为纯cpu模式xpu为gpu加速模式根据实际物理硬件选择classes参考每个模型的参数含义n模型0为人物识别yolo predict modelyolov8n.pt sourced:\work\2.目标识别\resource\person.png devicecpu classes05. YOLOV11扩展5.1. 命令行模型扩展yolo predict modelyolo11n.pt sourced:\work\2.目标识别\resource\person.png devicecpu classes06. YOLO数据训练训练数据目录C:\Windows\System32\datasets\coco8\images标注数据目录C:\Windows\System32\datasets\coco8\labels7. LabelImg数据标注在conda中创建labelimg数据标注工具环境conda create -n labelimg_env python3.10通过conda启动数据标注工具环境conda activate labelimg_env在conda的yolo模拟器下运行模型训练指令yolo detect train dataroad_self.yaml modelyolo11s.pt epochs150 imgsz640 batch16 devicecpu nameroad_cpu_self8. 自训练模型识别