这次我们来看一个面向初学者的 YOLO 系列保姆级教程。YOLOYou Only Look Once作为实时目标检测领域的标杆从 v1 到最新的 v13以及社区常提的 v26其核心价值在于平衡速度与精度让开发者能在普通硬件上实现高效的视觉识别。对于刚接触计算机视觉的同学来说最大的障碍往往不是算法本身而是环境配置、模型推理和项目落地。这篇文章将直接切入实战从零开始带你完成从环境安装、模型推理到自定义数据集训练的完整闭环并附上完整的数据集资源。本文的重点不是深入讲解 YOLO 的每一个数学公式而是让你在 2 小时内能亲手跑通一个目标检测项目看到实际效果。我们会基于当前最活跃的 Ultralytics YOLO 框架它维护了 YOLOv5, v8, v11, v26 等版本进行演示。无论你手头是带 GPU 的台式机、只有 CPU 的笔记本还是想了解云端部署这里都会给出清晰的路径。文章最后会提供一套完整的、标注好的小型数据集你可以直接用它进行训练验证整个流程。1. 核心能力速览在动手之前先快速了解 Ultralytics YOLO 框架的核心特性这决定了你能用它做什么以及需要什么样的环境。能力项说明项目类型目标检测、实例分割、姿态估计、分类、OBB 定向目标检测多任务框架开源团队Ultralytics (维护 YOLOv5, v8, v11, v26 等)主要功能模型训练、验证、预测、导出、部署支持从图片、视频、流媒体实时推理推荐硬件GPU (推荐)NVIDIA GPU (CUDA 支持)显存 ≥ 2GB 可运行小模型CPU可运行速度较慢显存占用模型大小和输入图像分辨率决定。例如YOLOv8n 模型推理 640x640 图像GPU 显存占用约 1-2GB。支持平台Windows, Linux, macOS支持 Docker 容器化部署启动方式命令行 (CLI)、Python API、Web UI (Gradio/FastAPI 需自行搭建)、REST API是否支持 API是可通过 Python 包直接调用或部署为 Triton Inference Server 等服务提供 HTTP/gRPC 接口是否支持批量任务是CLI 和 Python API 均支持对目录下的所有图片/视频进行批量推理适合场景学术研究、工业质检、安防监控、自动驾驶感知、移动端/边缘设备部署、快速原型验证关键点解读门槛低得益于 PyTorch 生态和 Ultralytics 优秀的封装几行代码即可完成推理或训练。设备兼容广从高性能 GPU 服务器到树莓派通过 TensorRT/Lite 转换都有成熟的部署方案。功能全不止于检测分割、姿态估计等功能也被集成在同一套 API 下学习成本低。2. 适用场景与使用边界YOLO 系列模型非常适合需要实时或准实时处理视觉信息的场景。它非常适合学习与原型验证快速验证一个目标检测想法在自定义数据上微调模型。工业应用产品缺陷检测、流水线零件计数、仪表盘读数识别。安防与监控行人、车辆检测与跟踪异常行为识别。自动驾驶道路上的车辆、行人、交通标志检测。内容理解从图片或视频中自动提取物体信息用于内容审核、标签生成。需要注意的边界小目标检测对于图像中占比极小的目标YOLO 可能不如一些专门的两阶段检测器如 Faster R-CNN。可通过 SAHI切片推理等后处理技术缓解。密集场景当物体非常密集、重叠严重时可能会存在漏检或框不准的情况。类别限制预训练模型如 COCO 数据集仅支持 80 个通用类别。识别特定物体如某种工业零件、特殊生物需要自定义训练。数据与版权训练和推理所使用的图片、视频数据必须确保你拥有合法使用权或已获得授权。切勿使用未经许可的、包含个人隐私或商业秘密的数据进行模型训练和部署。部署环境CPU 推理速度慢仅适合离线或对实时性要求不高的场景。真正的实时应用必须依赖 GPU 或专用的边缘计算设备。3. 环境准备与前置条件在开始安装 YOLO 之前请确保你的系统满足以下基本条件。我们将以Windows/Linux 系统并假设使用 GPU 加速为主要环境进行说明。3.1 基础软件检查清单操作系统Windows 10/11, Ubuntu 18.04/20.04/22.04 或更高版本macOS。Python版本 3.8 至 3.11推荐 3.9 或 3.10。使用python --version检查。包管理器pip最新版。使用pip --version检查。IDE/编辑器VS Code, PyCharm 或 Jupyter Notebook任选其一。3.2 GPU 用户专属准备强烈推荐如果你有 NVIDIA GPU 并希望使用其加速必须正确安装以下驱动和工具链NVIDIA 显卡驱动去 NVIDIA 官网下载并安装适合你显卡的最新版 Game Ready 或 Studio 驱动。CUDA Toolkit这是 GPU 计算的基础平台。Ultralytics YOLO 通常与特定版本的 PyTorch 绑定而 PyTorch 又依赖特定版本的 CUDA。查看兼容版本访问 PyTorch 官网 查看当前稳定版 PyTorch 支持的 CUDA 版本如 CUDA 11.8, 12.1。安装 CUDA从 NVIDIA 开发者网站下载并安装对应版本的 CUDA Toolkit。cuDNNNVIDIA 深度神经网络加速库。在 NVIDIA 开发者网站下载与你的 CUDA 版本匹配的 cuDNN并按照指南将其文件复制到 CUDA 安装目录中。验证安装安装完成后打开终端Windows 用 CMD/PowerShellLinux/macOS 用 Terminal依次运行以下命令nvidia-smi # 查看驱动和 GPU 状态 nvcc --version # 查看 CUDA 编译器版本如果nvidia-smi能正确显示 GPU 信息nvcc能输出版本号则基础环境基本就绪。3.3 CPU 用户准备如果只有 CPU跳过上述 CUDA 和 cuDNN 的安装步骤即可。后续安装 PyTorch 时选择 CPU 版本。4. 安装部署与启动方式我们将使用pip安装 Ultralytics 包这是最快捷的方式。4.1 创建并激活虚拟环境最佳实践为了避免包冲突强烈建议使用虚拟环境。# 创建虚拟环境命名为 yolo_envpython版本指定为3.10 conda create -n yolo_env python3.10 -y # 激活环境 conda activate yolo_env如果你使用venv# 创建 python -m venv yolo_env # 激活 (Windows) yolo_env\Scripts\activate # 激活 (Linux/macOS) source yolo_env/bin/activate4.2 安装 Ultralytics YOLO在激活的虚拟环境中运行以下命令pip install ultralytics这个命令会自动安装ultralytics包及其所有依赖包括适配你系统环境的 PyTorch如果没有预先安装的话。如果你想安装特定版本的 PyTorch例如为了匹配特定的 CUDA 版本可以先安装 PyTorch再安装ultralytics。# 例如从 PyTorch 官网获取安装命令安装 CUDA 11.8 版本的 PyTorch pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118 # 然后再安装 ultralytics pip install ultralytics4.3 验证安装安装完成后在 Python 交互环境或一个脚本中运行以下代码进行验证from ultralytics import YOLO print(YOLO)如果没有报错导入成功说明安装完成。4.4 一键启动推理最快体验安装完成后你无需编写任何代码即可使用命令行接口CLI进行推理。这是最直接的启动方式。# 使用预训练的 YOLOv8n 模型最小的模型对一张图片进行推理 yolo predict modelyolov8n.pt sourcehttps://ultralytics.com/images/bus.jpg执行上述命令后ultralytics会自动从 GitHub 仓库下载yolov8n.pt模型文件然后对指定的图片 URL 进行推理结果会保存在当前目录下的runs/detect/predict文件夹中。5. 功能测试与效果验证现在我们通过几个核心功能来验证整个环境是否工作正常并熟悉基本操作。5.1 基础图片推理测试测试目的验证模型加载、推理流程和结果保存是否正常。操作步骤准备一张测试图片例如test.jpg放在项目目录下。在终端中运行以下命令yolo predict modelyolov8n.pt sourcetest.jpg预期结果终端会显示下载模型如果第一次运行和推理进度。推理完成后会在runs/detect/predict目录下生成一张名为test.jpg的新图片上面绘制了检测框和类别标签。判断成功成功打开结果图片并能看到清晰的检测框。5.2 视频文件推理测试测试目的验证模型对视频流的处理能力。操作步骤yolo predict modelyolov8n.pt sourcepath/to/your/video.mp4预期结果在runs/detect/predict目录下生成一个同名的视频文件每一帧都包含了检测结果。5.3 使用 Python API 进行更灵活的控制CLI 虽然方便但 Python API 提供了更强大的编程控制能力。创建一个test.py文件。from ultralytics import YOLO import cv2 # 1. 加载模型 model YOLO(yolov8n.pt) # 会自动下载模型 # 2. 预测推理 results model(https://ultralytics.com/images/bus.jpg) # 支持图片路径、URL、PIL图像、numpy数组 # 3. 处理结果 for result in results: # 显示带标注的图片 annotated_frame result.plot() # 返回一个BGR格式的numpy数组 cv2.imshow(YOLO Inference, annotated_frame) cv2.waitKey(0) cv2.destroyAllWindows() # 打印检测到的对象信息 boxes result.boxes # 边界框对象 if boxes is not None: print(f检测到 {len(boxes)} 个对象) for box in boxes: # 获取坐标、置信度、类别ID xyxy box.xyxy.tolist()[0] # 左上右下坐标 conf box.conf.item() # 置信度 cls int(box.cls.item()) # 类别ID name model.names[cls] # 类别名称 print(f - 类别: {name}, 置信度: {conf:.2f}, 坐标: {xyxy})运行这个脚本你将看到一个弹出窗口显示检测结果同时在终端打印出详细的检测信息。5.4 批量任务处理测试目的验证对文件夹内所有图片进行批量推理的能力。操作步骤创建一个文件夹input_images放入多张测试图片。运行以下命令或使用 Python APIyolo predict modelyolov8n.pt sourceinput_images/预期结果runs/detect/predict目录下会生成所有处理后的图片。6. 接口 API 与批量任务对于生产环境或需要集成到其他系统的情况将 YOLO 模型部署为服务并通过 API 调用是更佳选择。Ultralytics 本身不直接提供 HTTP 服务器但可以轻松地与 FastAPI、Gradio 或专业的 Triton Inference Server 集成。6.1 使用 FastAPI 创建简易推理 API以下是一个极简的示例展示如何将 YOLO 模型包装成 REST API。 创建一个api_server.py文件from fastapi import FastAPI, File, UploadFile from fastapi.responses import JSONResponse from ultralytics import YOLO import cv2 import numpy as np import io app FastAPI() # 在启动时加载模型避免每次请求重复加载 model YOLO(yolov8n.pt) app.post(/predict/) async def predict_image(file: UploadFile File(...)): 接收上传的图片文件返回检测结果。 # 1. 读取上传的图片 contents await file.read() nparr np.frombuffer(contents, np.uint8) image cv2.imdecode(nparr, cv2.IMREAD_COLOR) if image is None: return JSONResponse(status_code400, content{error: 无效的图片文件}) # 2. 推理 results model(image) # 3. 解析结果 detections [] for result in results: boxes result.boxes if boxes is not None: for box in boxes: xyxy box.xyxy.tolist()[0] conf box.conf.item() cls int(box.cls.item()) name model.names[cls] detections.append({ class: name, confidence: round(conf, 4), bbox: [round(coord, 2) for coord in xyxy] # 格式化坐标 }) # 4. 返回 JSON 结果 return JSONResponse(content{detections: detections}) if __name__ __main__: import uvicorn uvicorn.run(app, host0.0.0.0, port8000)启动服务pip install fastapi uvicorn python api_server.py服务将在http://127.0.0.1:8000启动。调用 API 你可以使用curl、Postman 或 Python 的requests库来测试接口。import requests url http://127.0.0.1:8000/predict/ with open(test.jpg, rb) as f: files {file: f} response requests.post(url, filesfiles) print(response.json())6.2 批量任务队列设计对于大规模的批量图片处理简单的循环调用 API 效率低下。一个更健壮的方案是使用任务队列如 Celery Redis/RabbitMQ。生产者将需要处理的图片路径或二进制数据放入队列。消费者从队列中取出任务调用 YOLO 模型进行推理将结果保存到数据库或文件系统。优点解耦、支持重试、易于水平扩展。由于实现相对复杂这里仅给出概念框架。核心是确保你的推理函数是线程/进程安全的并且能高效地管理 GPU 内存。7. 资源占用与性能观察了解资源占用是部署和优化的关键。这里提供一些观察和优化的思路。7.1 如何观察显存和 GPU 利用率在推理或训练时打开另一个终端使用nvidia-smi命令。# 动态刷新查看每1秒刷新一次 nvidia-smi -l 1你会看到类似下面的输出关注Memory-Usage显存使用和GPU-UtilGPU 利用率两列。| GPU Name Persistence-M| Bus-Id Disp.A | Volatile Uncorr. ECC | | Fan Temp Perf Pwr:Usage/Cap| Memory-Usage | GPU-Util Compute M. | | | | MIG M. | || | 0 NVIDIA GeForce ... On | 00000000:01:00.0 Off | N/A | | 30% 50C P2 70W / 250W | 1500MiB / 11264MiB | 45% Default |显存占用主要由模型权重、输入数据批次batch size和分辨率决定。yolov8n.pt模型本身很小但处理高分辨率图片或大 batch size 时显存会显著增加。GPU 利用率反映计算核心的忙碌程度。持续接近 100% 说明计算瓶颈在 GPU很低则可能受限于数据加载I/O或 CPU 预处理。7.2 CPU 推理 vs GPU 推理CPU 推理启动命令或代码无需特殊设置框架会自动回退到 CPU。速度慢适合轻量级、非实时任务。观察系统任务管理器或top/htop命令查看 CPU 使用率。GPU 推理需要正确安装 CUDA 和 cuDNN。速度可提升数十倍甚至上百倍。是生产环境的标配。7.3 影响性能的关键参数模型尺寸n(nano),s(small),m(medium),l(large),x(extra large)。模型越大精度可能越高但速度越慢显存占用越大。根据任务在精度和速度间权衡。输入图像尺寸 (imgsz)默认是 640。增大尺寸如 1280可以提升对小目标的检测能力但会显著增加计算量和显存占用降低速度。批量大小 (batch)在训练或批量预测时一次处理多少张图片。增大 batch size 能提升 GPU 利用率但受显存限制。半精度推理 (halfTrue)使用 FP16半精度浮点数可以大幅减少显存占用并提升推理速度对精度影响很小。在支持 Tensor Core 的 GPUVolta 架构及以后上效果显著。results model(source, imgsz640, halfTrue)7.4 降低显存占用的技巧使用更小的模型如yolov8n.pt。减小输入图像尺寸imgsz。减小批量大小batch。启用半精度推理halfTrue。使用torch.cuda.empty_cache()及时清理 PyTorch 的 GPU 缓存在长时间运行或处理大量数据后。8. 自定义数据集训练实战使用预训练模型推理只是第一步。要让 YOLO 识别你关心的特定物体必须进行自定义训练。这里提供一个完整的微型项目实战流程。8.1 数据集准备与格式我们提供一个准备好的、标注好的“安全帽检测”微型数据集。你可以通过提供的链接下载。 数据集结构必须符合 YOLO 格式custom_dataset/ ├── images/ │ ├── train/ # 训练集图片 │ │ ├── image1.jpg │ │ └── ... │ └── val/ # 验证集图片 │ ├── image2.jpg │ └── ... └── labels/ ├── train/ # 训练集标签与图片同名后缀为 .txt │ ├── image1.txt │ └── ... └── val/ # 验证集标签 ├── image2.txt └── ...每个.txt标签文件格式为class_id x_center y_center width height坐标是归一化后的0-1之间。例如0 0.5 0.5 0.2 0.3表示类别 0 的对象中心点在图片 (0.5, 0.5) 位置宽度和高度分别是图片宽高的 0.2 和 0.3 倍。8.2 创建数据集配置文件在数据集根目录下创建一个data.yaml文件用于告诉 YOLO 数据在哪里、有哪些类别。# data.yaml path: /absolute/path/to/custom_dataset # 数据集的根目录 train: images/train # 训练集图片的相对路径相对于 path val: images/val # 验证集图片的相对路径 # 类别数量和名称 nc: 2 # 类别数例如我们这里只有2类person, helmet names: [person, helmet] # 类别名称列表顺序与 class_id 对应8.3 启动训练使用 CLI 或 Python API 开始训练。这里使用 CLI更简洁。yolo train datacustom_dataset/data.yaml modelyolov8s.pt epochs50 imgsz640参数解释data: 指向刚才创建的data.yaml文件。model: 指定基础模型。yolov8s.pt是一个不错的起点比n版精度更高比m版更快。它会自动下载预训练权重。epochs: 训练轮数。根据数据集大小调整小数据集可能需要更多轮次防止欠拟合。imgsz: 输入图像尺寸。训练开始后终端会显示进度条、损失值等指标。所有日志、模型检查点、训练结果都会保存在runs/detect/train目录下。8.4 评估与验证训练结束后会自动在验证集上评估模型性能。你也可以手动进行验证yolo val modelruns/detect/train/weights/best.pt datacustom_dataset/data.yaml关键指标是mAP50-95它综合反映了模型在不同 IoU 阈值下的平均精度。值越高越好。8.5 使用自定义模型进行推理训练得到的最佳模型best.pt可以像使用预训练模型一样进行推理yolo predict modelruns/detect/train/weights/best.pt sourceyour_test_image.jpg或者用 Python APIfrom ultralytics import YOLO custom_model YOLO(runs/detect/train/weights/best.pt) results custom_model(your_test_image.jpg)9. 常见问题与排查方法在实践过程中你可能会遇到以下问题。这里提供快速排查思路。问题现象可能原因排查方式解决方案ImportError: No module named ‘ultralytics’未安装ultralytics包或不在正确的虚拟环境中。在终端输入pip list | grep ultralytics在目标虚拟环境中运行pip install ultralyticsCUDA out of memoryGPU 显存不足。运行nvidia-smi查看显存占用。1. 减小imgsz。2. 减小batch-size。3. 使用更小的模型如n替换s。4. 启用halfTrue半精度推理。5. 确保没有其他程序占用大量显存。推理速度非常慢1. 在使用 CPU 推理。2. 图片分辨率 (imgsz) 设置过高。3. 模型太大。检查代码/命令中是否指定了devicecpu观察任务管理器。1. 确保 CUDA 环境正确代码中可使用model.to(‘cuda’)或预测时指定device0。2. 降低imgsz。3. 换用更小的模型。训练时 loss 为 NaN 或不下降1. 学习率 (lr0) 过高。2. 数据标注有严重错误。3. 数据预处理有问题。检查data.yaml路径和内容可视化部分标注框看是否合理。1. 使用预训练权重 (model*.pt)它们通常有较优的初始参数。2. 减小学习率可在args.yaml中调整。3. 仔细检查数据集和标注格式。‘YOLO’ object has no attribute ‘predict’可能是 Ultralytics 版本过旧或导入的不是 Ultralytics 的 YOLO。print(ultralytics.__version__)升级包pip install ultralytics –upgrade。确保导入语句是from ultralytics import YOLO。检测框乱飞或没有框1. 自定义训练的类别 (nc,names) 与预训练模型不匹配且未正确微调。2. 数据集质量太差或数量太少。3. 推理时conf置信度阈值设得过高。检查训练时的data.yaml和推理时模型期望的类别是否一致。1. 确保训练配置正确。对于自定义训练强烈建议从预训练模型开始(modelyolov8s.pt)而不是从头训练 (modelyolov8s.yaml)。2. 增加数据集数量和质量。3. 降低推理时的置信度阈值model.predict(…, conf0.25)。无法下载预训练模型网络连接问题。尝试浏览器访问模型 URL (如https://github.com/ultralytics/assets/releases/download/v8.1.0/yolov8n.pt)1. 配置网络代理。2. 手动下载模型文件.pt放在用户目录下的.cache/ultralytics文件夹中或直接指定本地路径model’path/to/yolov8n.pt’。10. 最佳实践与使用建议为了让你的 YOLO 项目更顺利遵循以下建议从小开始快速迭代第一次尝试时使用最小的模型 (yolov8n.pt) 和官方示例图片进行推理确保整个环境通路是通的。版本管理使用conda或venv为每个项目创建独立的虚拟环境并用requirements.txt或environment.yaml记录依赖版本。Ultralytics 更新频繁锁定版本可以避免意外问题。pip freeze requirements.txt数据管理将数据集、代码、训练输出、模型权重分目录存放结构清晰。project/ ├── data/ │ └── custom_dataset/ # 数据集 ├── src/ # 源代码 ├── runs/ # 训练输出 (由 YOLO 自动生成) ├── weights/ # 存放下载或最好的模型权重 └── scripts/ # 工具脚本训练前先验证数据使用yolo val或编写脚本可视化一批训练数据的标注框确保数据加载和标注格式完全正确。利用预训练权重除非有特殊需求否则永远从预训练模型开始微调 (model*.pt)这比从头训练 (model*.yaml) 收敛更快、效果更好。监控训练过程训练时YOLO 会在runs/detect/train下生成results.csv和可视化图表。定期查看损失曲线和指标变化判断是否过拟合或欠拟合。合规与授权再次强调用于训练和测试的数据必须合法合规。商用项目务必注意模型输出的合规性审查。通过以上步骤你应该已经完成了从环境搭建、模型推理到自定义训练的全流程。YOLO 的强大之处在于其极简的 API 和丰富的生态让你能快速将想法转化为可运行的视觉应用。接下来你可以探索更高级的特性如模型导出为 ONNX/TensorRT 用于加速部署集成 SAHI 处理大图或者尝试 YOLO 的姿态估计、实例分割等扩展任务。