Ubuntu 20.04 下安装并测试 YOLO11（Ultralytics）指南

Ubuntu 20.04 下安装并测试 YOLO11（Ultralytics）指南

环境配置：显卡3070ti； 驱动版本：570.133.07； Python3.12； cuda12.8； cuDNN9.7.1

---

目录

1. 安装 Ultralytics（YOLO11）
2. 获取预训练权重
3. 命令行推理测试
4. Python API 调用示例
5. 可选：GPU 加速配置（Conda）
6. 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

---

获取预训练权重

1. 手动下载

   curl -L -o yolov11s.pt \
     https://github.com/ultralytics/assets/releases/download/v1.1.0/yolov11s.pt
   

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
   

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

1. 在当前目录（ultralytics/）准备一张测试图片（如 cat.jpg）。

2. 执行如下命令：

   yolo predict model=yolov11s.pt source=cat.jpg
   

3. 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*/

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：

1. 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
   

2. 确认 GPU 可用

   import torch
   print(torch.cuda.is_available())   # True 表示已正确配置
   

---

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
  

• 导出 ONNX / TensorRT

  yolo export model=yolov11s.pt format=onnx
  yolo export model=yolov11s.pt format=tensorrt
  

---