1. 项目概述
YOLOv11作为Ultralytics团队推出的最新一代目标检测框架，凭借其卓越的实时检测性能在计算机视觉领域广受关注。但对于刚接触深度学习的新手而言，环境配置往往是第一个"拦路虎"。本文将提供从零开始的完整环境搭建指南，涵盖CPU和GPU两种配置方案，确保不同硬件条件的用户都能顺利运行YOLOv11。
重要提示：无论选择哪种方案，都建议使用Anaconda创建独立的Python环境，避免与系统环境产生冲突。
2. 环境准备
2.1 基础软件安装
首先需要安装以下必备软件：
- Anaconda：推荐安装最新版，它集成了Python和常用科学计算包
- Python：YOLOv11要求Python 3.8-3.10版本
- Git：用于克隆官方代码仓库
安装完成后，创建专用环境：
bash复制conda create -n yolov11 python=3.9
conda activate yolov11
2.2 硬件环境检测
在开始安装前，需要确认硬件配置：
- CPU方案：至少4核处理器，8GB内存
- GPU方案：NVIDIA显卡（建议RTX 2060以上），需安装对应版本的CUDA和cuDNN
检查GPU是否可用：
python复制import torch
print(torch.cuda.is_available()) # 应返回True
3. CPU方案配置
3.1 安装基础依赖
bash复制pip install ultralytics
pip install opencv-python
pip install matplotlib
3.2 验证安装
创建test.py文件：
python复制from ultralytics import YOLO
model = YOLO('yolov11n.pt') # 自动下载预训练权重
results = model('https://ultralytics.com/images/bus.jpg') # 测试推理
results[0].show()
运行后应能看到标注了检测结果的示例图片。
4. GPU方案配置
4.1 CUDA环境搭建
- 查看支持的CUDA版本：
bash复制nvidia-smi
- 安装对应版本的PyTorch：
bash复制pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118
- 验证GPU加速：
python复制import torch
print(torch.cuda.get_device_name(0)) # 应显示显卡型号
4.2 完整安装
bash复制pip install ultralytics[gpu]
4.3 性能测试
对比CPU和GPU的推理速度：
python复制from ultralytics import YOLO
import time
model = YOLO('yolov11n.pt')
# CPU测试
start = time.time()
model('bus.jpg', device='cpu')
print(f'CPU时间: {time.time()-start:.2f}s')
# GPU测试
start = time.time()
model('bus.jpg', device=0)
print(f'GPU时间: {time.time()-start:.2f}s')
5. 常见问题解决
5.1 导入错误处理
若出现"ImportError: cannot import name 'yolo' from 'ultralytics'":
- 检查ultralytics版本：
pip show ultralytics - 升级到最新版：
pip install --upgrade ultralytics
5.2 显卡驱动问题
CUDA不可用时：
- 确认NVIDIA驱动已安装：
nvidia-smi - 检查CUDA版本匹配：
nvcc --version - 重新安装对应版本的PyTorch
5.3 其他依赖冲突
建议使用干净的conda环境，若仍有问题可尝试：
bash复制pip uninstall -y ultralytics
pip cache purge
pip install ultralytics
6. 进阶配置建议
6.1 自定义数据集训练
准备数据集后，修改data.yaml：
yaml复制train: ./dataset/train
val: ./dataset/val
nc: 3 # 类别数
names: ['cat', 'dog', 'person'] # 类别名称
启动训练：
bash复制yolo train data=data.yaml model=yolov11n.pt epochs=100 imgsz=640
6.2 模型导出
支持导出多种格式：
python复制model.export(format='onnx') # ONNX格式
model.export(format='tensorrt') # TensorRT引擎
6.3 性能优化技巧
- 使用半精度训练：
model.train(..., amp=True) - 启用多GPU训练：
model.train(..., device=[0,1]) - 调整批处理大小：
model.train(..., batch=32)
经验分享：在实际项目中，建议先从小的预训练模型(yolov11n)开始验证流程，再逐步尝试更大的模型。同时注意监控GPU显存使用情况，避免OOM错误。