部署yolo及ORC训练环境记录（一）

我计划使用yolov11+ORC对卡牌牌面中的关键文本信息进行识别。这些文本信息是当前卡牌的唯一标识，可以清楚的说明卡牌的系列、文字、语言、稀有度等。

根据搜索结果，我计划使用Yolov11对卡牌中的文本区域进行提取识别，然后进一步在识别区域使用ORC进行文本识别，最终提取出准确的文字信息。

首先我需要在我的计算机上部署相关的环境。本文主要是记录我的部署过程。
个别过程我没有进行截图保存，所以主要以文字形式进行记录。

1. 硬件条件
   R7000P 联想拯救者笔记本电脑 2025
   CPU：i9-14900HX
   内存：32G
   GPU：NVIDIA GeForce RTX 5070 Laptop GPU
   硬盘：1TSSD+1TSSD

2.软件条件
操作系统：windows10 专业版 22H2
cuda版本：cuda 13.1
python版本：（已安装）3.7/3.13

3.环境部署过程
3.1 安装Anaconda
3.1.1 下载地址
https://www.anaconda.com/download 该网站需要使用邮箱注册后方可下载，注册并不复杂，使用国内邮箱即可。

选择Anaconda Distribution发行版即可。
3.1.2 安装
安装过程与其他软件安装类似，可以不安装到C盘。详细过程可参考：保姆级：安装Anaconda最详细的教程（及Anaconda安装影响了原Python工程怎么办？）

3.2 安装python IDE
python IDE我使用的是Trae，这是我使用的第一个AI IDE，目前观感良好，不过使用时间也不长，还需观察。可以使用其他的IDE，如PyCharm等。

3.3 YOLOv11深度学习环境配置
3.3.1 创建虚拟环境
什么是虚拟环境？
Anaconda Prompt中的虚拟环境是一种独立、隔离的Python运行环境，它允许您在同一台计算机上为不同的项目创建和管理多个独立的Python环境。每个虚拟环境都可以拥有自己的Python解释器版本、第三方库及其特定版本，而不会与其他环境或系统全局的Python环境产生冲突。
虚拟环境的核心概念与作用
项目隔离与依赖管理：想象您的电脑是一个大厨房，Python是锅（环境）。默认情况下，所有项目（菜）都用同一口锅，容易“串味”。例如，项目A需要库的1.0版本，项目B需要2.0版本，混在一起会导致冲突甚至程序崩溃。虚拟环境相当于为每个项目单独准备一口新锅，实现了项目间的完全隔离。这使您能够精确管理每个项目的依赖项，确保项目在任何环境下都能正常运行。
避免全局污染与提升可移植性：使用虚拟环境可以避免将项目特定的库安装到系统全局Python中，从而保持系统环境的干净。当您需要重装系统、更换电脑或与他人共享项目时，可以直接复制或通过配置文件（如requirements.txt）重建虚拟环境，极大地保证了环境的一致性和项目的可移植性。
支持多版本Python与实验学习：虚拟环境允许您在同一台机器上同时运行不同版本的Python（如Python 3.8和3.11），这对于维护遗留项目或测试新版本兼容性至关重要。同时，它也为学习和实验提供了安全沙箱，您可以随意尝试新库或不同版本组合，出现问题只需删除并重建环境即可，不影响其他项目。

创建虚拟环境：
（1）打开 Anaconda Prompt。
（2）输入以下命令创建一个名为yolov11、Python版本为3.11的虚拟环境（Python 3.11被广泛认为是与当前深度学习生态兼容性最稳定的版本之一）：

点击查看代码

conda create -n yolov11 python=3.11 -y

（3）创建完成后，激活该环境：

点击查看代码

conda activate yolov11

请注意，以后每次使用YOLOv11项目前，都需要先打开Anaconda Prompt并激活此环境。之后的安装都在该虚拟环境下执行。

3.3.2 安装PyTorch（GPU版本）
在进一步在虚拟环境中部署环境之前，我需要明确一下要安装的PyTorch的版本。使用nvidia-smi指令，我获取了自己的cuda版本为13.1。我查询了pytorch官网，其最新的windows系统下最高支持到cuda13.0，版本为2.10.0。使用以下指令安装PyTorch。

点击查看代码

pip install torch==2.10.0 torchvision torchaudio --index-url https://download.pytorch.org/whl/cu130

3.3.3 安装YOLOv11
使用以下指令安装YOLOv11核心库

点击查看代码

pip install ultralytics

为了提升下载速度，可以使用国内镜像源，例如清华大学镜像源（我没有试过）

点击查看代码

pip install -i https://pypi.tuna.tsinghua.edu.cn/simple ultralytics

获取YOLOv11源码与预训练模型
虽然通过 pip install ultralytics 已经可以调用YOLO模型进行训练和推理，但为了更灵活地进行自定义训练和查看示例代码，建议下载官方源码。
下载源码：您可以通过Git克隆官方仓库，或直接从GitHub下载ZIP压缩包并解压

点击查看代码

git clone https://github.com/ultralytics/ultralytics.git
cd ultralytics

3.3.4 简单验证测试
完成以上步骤后，可以运行一个简单的推理测试来确认整个环境工作正常。在环境中输入python运行python解释器，执行以下代码：

点击查看代码

from ultralytics import YOLO

# 加载一个预训练模型（确保yolov11n.pt文件在可访问的路径）
model = YOLO("yolov11n.pt")

# 对示例图片进行推理
results = model.predict("ultralytics/assets/bus.jpg", save=True)
print("推理完成！结果保存在 runs/detect/predict 目录下。")

运行此脚本，如果能够成功完成推理并保存结果，则证明您的YOLOv11训练环境已完全部署成功。