1、安装anaconda3最新版，配置环境变量
下载：https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/?C=M&O=D
中间有一步勾选
环境变量，（根据实际修改）
F:\anaconda3
F:\anaconda3\Scripts
F:\anaconda3\Library\bin
F:\anaconda3\Library\usr\bin
F:\anaconda3\Library\mingw-w64\bin
新加系统环境变量(根据实际修改)
CURL_CA_BUNDLE
F:\anaconda3\Lib\site-packages\pip_vendor\certifi\cacert.pem
解决问题：（ERROR: Could not install packages due to an OSError: Could not find a suitable TLS CA certificate bundle, invalid path:ca-bundle.crt），链接：https://blog.csdn.net/weixin_36396470/article/details/142346794
检查是否安装成功，新开一个命令窗口
C:\Windows\System32>conda --version
conda 24.9.2
配置镜像和修改配置文件
需要修改.condarc文件的内容，具体路径为：c:\users\用户名.condarc（找不到请显示隐藏文件）
如果有可用的国内镜像源，可以配置，不过现在的清华镜像源，中科源好像禁用，故使用软件自带的channels地址。
注意下面几行是设置虚拟环境的存放路径，根据实际修改：
envs_dirs:
- F:\anaconda3\envs
pkgs_dirs: - F:\anaconda3\pkgs
show_channel_urls: true
default_channels:- https://repo.anaconda.com/pkgs/msys2- https://repo.anaconda.com/pkgs/r- https://repo.anaconda.com/pkgs/main
custom_channels:conda-forge: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloudmsys2: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloudbioconda: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloudmenpo: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloudpytorch: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloudpytorch-lts: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloudsimpleitk: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
channels:- defaults
ssl_verify: false
envs_dirs:
- F:\anaconda3\envs
pkgs_dirs:
- F:\anaconda3\pkgs命令行查看
conda config --show channels
2、下载yolov9、yolov10源码
git clone https://github.com/WongKinYiu/yolov9.git
git clone https://github.com/THU-MIG/yolov10
3、安装依赖、进入目录根目录创建python运行环境
conda create -n yolov10 python=3.9
conda activate yolov10
pip install -r requirements.txt
pip install -e .
//加清华源
pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple
（前两个命令是创建和激活虚拟环境，名称yolov10）
conda env list
若有独立显卡则安装GPU版本的pytorch，若无独立显卡则安装CPU版本的pytorch。
查看cuda最高支持版本，win+R，输入cmd，打开命令窗口，输入nvidia-smi.exe。
没有独立显卡的不用安装CUDA 或 cudnn
安装CUDA # 指定版本
conda install cudatoolkit=11.0
安装cudnn,
如果不指定版本，在安装CUDA之后，会自动匹配对应版本的cudnn安装 # 指定版本
conda install cudnn=7.3
使用国内镜像安装
安装CUDA
conda install cudatoolkit=11.0 -c https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/linux-64/
安装cudnn
conda install cudnn=7.3 -c https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/linux-64/
安装CUDA # 指定版本
conda install cudatoolkit=11.7
安装cudnn，如果不指定版本，在安装CUDA之后，会自动匹配对应版本的cudnn安装 # 指定版本
conda install cudnn=8.5
（CUDA 11.0）
conda install pytorch1.7.1 torchvision0.8.2 torchaudio==0.7.2 cudatoolkit=11.0 -c pytorch
（CUDA 11.7）
conda install pytorch1.13.1 torchvision0.14.1 torchaudio==0.13.1 pytorch-cuda=11.7 -c pytorch -c nvidia
pip install torch2.0.0+cu118 torchvision0.15.1+cu118 --extra-index-url https://download.pytorch.org/whl/cu118
无独立显卡，默认
conda install pytorch torchvision torchaudio cpuonly -c pytorch
4、idea或pycharm配置项目的运行环境
5、数据集标注软件
进入anaconda3创建的虚拟环境安装
pip install labelimg
pip install labelme
6 训练自己的数据集
用labelimg或labelme 标注的标签文件需要转换为txt格式，转换代码网上都有。例如：
import xml.etree.ElementTree as ET
import pickle
import os
from os import listdir, getcwd
from os.path import joindef convert(size, box):x_center = (box[0] + box[1]) / 2.0y_center = (box[2] + box[3]) / 2.0x = x_center / size[0]y = y_center / size[1]w = (box[1] - box[0]) / size[0]h = (box[3] - box[2]) / size[1]# print(x, y, w, h)return (x, y, w, h)def convert_annotation(xml_files_path, save_txt_files_path, classes):xml_files = os.listdir(xml_files_path)# print(xml_files)for xml_name in xml_files:# print(xml_name)xml_file = os.path.join(xml_files_path, xml_name)out_txt_path = os.path.join(save_txt_files_path, xml_name.split('.')[0] + '.txt')out_txt_f = open(out_txt_path, 'w')tree = ET.parse(xml_file)root = tree.getroot()size = root.find('size')w = int(size.find('width').text)h = int(size.find('height').text)for obj in root.iter('object'):difficult = obj.find('difficult').textcls = obj.find('name').textif cls not in classes or int(difficult) == 1:continuecls_id = classes.index(cls)xmlbox = obj.find('bndbox')b = (float(xmlbox.find('xmin').text), float(xmlbox.find('xmax').text), float(xmlbox.find('ymin').text),float(xmlbox.find('ymax').text))# b=(xmin, xmax, ymin, ymax)# print(w, h, b)bb = convert((w, h), b)out_txt_f.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + '\n')if __name__ == "__main__":# 把forklift_pallet的voc的xml标签文件转化为yolo的txt标签文件# 1、需要转化的类别classes = ['fish']# 2、voc格式的xml标签文件路径xml_files1 = r'F:\pyprojects\yolov9\datasets\fish\ImageSets\lables\test'# 3、转化为yolo格式的txt标签文件存储路径save_txt_files1 = r'F:\pyprojects\yolov9\datasets\fish\ImageSets\lables\test'convert_annotation(xml_files1, save_txt_files1, classes)
# -*- coding: utf-8 -*-
import json
import os
import argparse
from tqdm import tqdmdef convert_label_json(json_dir, save_dir, classes):"""将标注文件从 JSON 格式转换为 YOLO 格式的文本文件，并进行坐标归一化。:param json_dir: 包含 JSON 文件的目录路径:param save_dir: 保存转换后文本文件的目录路径:param classes: 类别名称列表，用逗号分隔"""# 获取目录中所有 JSON 文件的路径json_paths = os.listdir(json_dir)# 将类别字符串转换为列表classes = classes.split(',')# 遍历所有 JSON 文件for json_path in tqdm(json_paths):# 构建 JSON 文件的完整路径path = os.path.join(json_dir, json_path)# 打开并读取 JSON 文件with open(path, 'r', encoding='utf-8') as load_f:json_dict = json.load(load_f)# 获取图像的高度和宽度h, w = json_dict['imageHeight'], json_dict['imageWidth']# 构建保存 TXT 文件的路径txt_path = os.path.join(save_dir, json_path.replace('json', 'txt'))with open(txt_path, 'w') as txt_file:# 遍历每个形状（标注）for shape_dict in json_dict['shapes']:# 获取标注的类别标签label = shape_dict['label']# 获取类别的索引label_index = classes.index(label)# 获取标注的点坐标points = shape_dict['points']# 用于存储归一化后的坐标points_nor_list = []# 归一化坐标for point in points:points_nor_list.append(point[0] / w)points_nor_list.append(point[1] / h)# 将坐标转换为字符串格式points_nor_list = list(map(lambda x: str(x), points_nor_list))points_nor_str = ' '.join(points_nor_list)# 构建 YOLO 格式的标签字符串label_str = str(label_index) + ' ' + points_nor_str + '\n'# 写入到 TXT 文件txt_file.writelines(label_str)if __name__ == "__main__":"""命令行用法示例：python json2txt.py --json-dir datasets/animal/jsons --save-dir datasets/animal/txts --classes "cat,dog""""# 设置命令行参数解析parser = argparse.ArgumentParser(description='json 转换为 txt 参数')parser.add_argument('--json-dir', type=str, default="\path\json", help='JSON 文件所在目录')parser.add_argument('--save-dir', type=str, default="\path\labels", help='转换后 TXT 文件保存目录')parser.add_argument('--classes', type=str, default='name1,name2...', help='类别列表，逗号分隔')# 解析命令行参数args = parser.parse_args()json_dir = args.json_dirsave_dir = args.save_dirclasses = args.classes# 调用转换函数convert_label_json(json_dir, save_dir, classes)
7、数据集文件夹结构
进入anaconda3创建的虚拟环境执行：
训练
yolo detect train data=F:/ai/Road_Sign_VOC_and_YOLO_datasets/road_sign.yaml model=yolov10n.yaml epochs=10 batch=4 imgsz=640 device=cpu
预测
yolo predict model=runs\detect\train4\weights\best.pt source=F:/ai/Road_Sign_VOC_and_YOLO_datasets/testset/images
验证
yolo detect val data=F:/ai/Road_Sign_VOC_and_YOLO_datasets/road_sign.yaml model=runs\detect\train4\weights\best.pt batch=4 imgsz=640 device=cpu
可以在网上找现成的数据集进行训练、学习，（没有GPU的训练几乎可以放弃）。
Ultralytics：YOLO11尝试
下载源码
git clone https://github.com/ultralytics/ultralytics.git安装配置运行环境
cd ultralytics
# conda create -n yolo11 python=3.9
# conda activate yolo11
pip install -r requirements.txt
pip install -e .pip install ultralytics目标检测
yolo predict model=yolo11n.pt source=testimgs/进行实例分割
yolo predict model=yolo11n-seg.pt source=testimgs/进行姿势估计
yolo predict model=yolo11n-pose.pt source=testimgs/进行旋转框检测
yolo predict model=yolo11n-obb.pt source=testimgs/图像分类
yolo predict model=yolo11n-cls.pt source=testimgs/
前面6个参数比较重要
