本文章将教会你如何在Windows系统中，从零开始配置YOLO环境

正式开始前，我们首先了解一下什么是YOLO。YOLO（You Only Look Once）是一种非常流行且强大的实时目标检测算法。它的核心能力可以概括为一句话：

YOLO 可以在一张图片或视频帧中，快速准确地找出其中有哪些物体（对象），并标出它们的位置和类别。

总而言之，YOLO的核心功能就是进行目标检测

YOLO的目标检测任务可以依据 检测目标的粒度 和 时序特性 进行如下分类：

分类维度	大类	核心输出	典型应用
检测粒度	常规目标检测	边界框 + 类别	通用物体识别、安防、自动驾驶
	实例分割	边界框 + 类别 + 像素级掩膜	图像抠图、精细场景理解
	姿态/关键点检测	关键点坐标	人机交互、动作分析、体育科学
时序特性	图像目标检测	单帧结果	照片分析、工业质检
	视频目标检测	多帧结果 + 目标ID	实时监控、行为分析、流量统计

简单介绍了YOLO以及其主要应用领域后，接下来我们开始进入主题：配置YOLO环境

0. 前期准备

在正式开始配置前，首先要做好硬件的准备工作，windows系统、英伟达显卡和大于16GB的内存

本教程只针对windows系统进行，但在其他系统中如Ubuntu系统中同样可以配置YOLO环境。

英伟达显卡的意义在于，有了英伟达显卡我们就可以配置GPU环境，但是没有英伟达显卡我们就是只能配置cpu环境，虽然都可以进行YOLO环境配置，但二者的区别就在于使用GPU可以大大提升运算效率，通俗的举例就是，GPU一小时可以完成CPU一天的工作。

内存也会对训练和运算速度有影响，选用16GB可以满足正常运行要求。

在配置前大家可以通过任务管理器查看一下自己电脑的配置。如下图所示，可以查看自己的内存和GPU显卡属性。

1. 安装YOLO

安装YOLO整体需要安装以下四样东西，确保每一个步骤成功后在进行下一步。

1.1 安装YOLO源码

安装YOLO源码，我们需要下载的项目是ultralytics源代码。

那么大家会不会有个疑问，既然是安装YOLO源代码，为什么下载的是 ultralytics 这个东西。这里简答帮大家解答一下疑问，主要是因为原始的YOLO源代码早就停止更新和维护了。

• 原始 Darknet 代码停滞： Joseph Redmon 因伦理原因停止了对 YOLO 的官方维护（大约在 YOLOv3 之后）。这意味着原始代码库不再有功能更新、性能优化或对新版 PyTorch 等的支持。

• Ultralytics 成为“事实上的官方”： Ultralytics 公司从 YOLOv3 开始，持续维护并发布了 YOLOv5, YOLOv8, 以及最新的 YOLOv9 和 YOLOv10。它们是目前最活跃、最受认可的 YOLO 实现，被广泛认为是“新一代 YOLO”的官方版本。

与此同时，Ultralytics所维护的YOLO从一个相对硬核的研究项目，变成了一个工业级、开箱即用的工具。它无需像编译原始 Darknet 那样处理复杂的 Makefile、CUDA 和 OpenCV 依赖。几行代码就能完成训练、验证、预测和导出。同时Ultralytics 提供了非常详尽、步骤清晰的文档和教程，从“如何开始”到“高级用法”，覆盖了训练、验证、预测、部署等所有环节，极大地降低了学习和使用门槛。

所以对于绝大多数用户——无论是研究者、学生还是工程师——选择Ultralytics版本的 YOLO 都是一个更明智、更高效的决定。它解决了原始代码在易用性、可维护性和功能性上的几乎所有痛点，让你能专注于模型本身的应用和调优，而不是浪费在环境配置和代码调试上。

说了这么多题外话，现在我们开始正式下载YOLO。其实下载方法也十分简单，直接去GitHub上找到 ultralytics项目，然后再下载源码即可。也就是下面的这个项目。

https://github.com/ultralytics/ultralytics

为了方便大家后续测试，推荐大家下载和博主相同版本的源码。我们选择项目的Tags分支，然后下载

选择8.3.163版本

随后选择Code->Download Zip就可以下载指定版本的源码

安装了源代码后，我们下载几个官方训练好的模型，以便于我们后面进行环境的验证测试。下载地址如下，随后找到v8.3.0版本下的Assets。选择yolo11n系列下的几个模型下载即可，这些模型是当前系列中最小的几个模型。

https://github.com/ultralytics/assets/releases/tag/v8.3.0

1.2 安装Anaconda

Anaconda 是一个用于科学计算的 Python 发行版，支持 Linux, Mac, Windows, 包含了众多流行的科学计算、数据分析的 Python 包。Anaconda 安装包可以到以下链接下载。

anaconda | 镜像站使用帮助 | 清华大学开源软件镜像站 | Tsinghua Open Source Mirror

进入清华镜像源之后，复制下载连接打开，选择2024.06-1Windows-86_64.exe进行下下载安装

运行可执行文件，进行安装，在安装用户选项推荐安装Just me，如果选择ALL Users可能会导致两个问题，首先虽然anaconda安装在C盘之外，到那时新建的环境默认存放在C盘，导致C盘空间越来越小；其次如果用户名是中文，那么可能导致后续操作环境时出现无缘无故的错误。

其余步骤安装顺序正常安装即可。  安装完成后，即可搜索到anaconda终端环境

打开后界面如下所示，之后我们要经常在这个界面中进行操作，大家要熟悉操作方式。

1.2.1  配置anaconda镜像

随后为了拥有更好的体验，我们一般需要配置我们的anaconda镜像环境，在我们刚才下载anaconda的链接中，就有配置anaconda镜像的方法。

在Anaconda终端中输入,随后就会弹出一个txt文件，我们将上面的内容粘贴进txt文件中保存即可

notepad .condarc

随后我们在anaconda终端中输入 ,查看镜像环境是否修改成功，如果出现以下内容就是修改成功

type .condarc

1.2.2 配置pip镜像

搜索清华的pip镜像网站，网址如下。

pypi | 镜像站使用帮助 | 清华大学开源软件镜像站 | Tsinghua Open Source Mirror

我们可以通过命令行进行pip镜像的配置。找到设置默认中的这一行指令，复制指令粘贴到终端中，随后回车。

回车后出现一行语句则说明创建好了，如下图所示。至此已经能完成了anaconda的全部配置

1.3 安装YOLO环境

1.3.0 基础知识扫盲

python  PyTorch  Anaconda  Pycharm

这里博主给大家几个词，很多初学的小伙伴可能都会比较懵逼，这些都是什么意思，有什么区别，他们之间有什么关系？接下来博主将为大家一一讲解。

实际上我们在配置YOLO环境时，只需要配置两样东西：yolo源代码和python及所需的各种包（称为python环境）

yolo的源代码很好理解，那么python是什么呢？

Python是一种高级、解释型的通用编程语言。我们常说的python版本实际上指的是python语言的不同发布版本。新版本意味着性能提升、新特性和安全更新。对于新项目，应选择受支持的稳定新版本。

我们所需要下载的Python实际上是一个官方运行时套装，核心包括：

1. 解释器：执行你代码的“大脑”。

2. 标准库：官方提供的强大工具集。

3. pip包管理器：用于安装第三方生态库。

其中 PyTorch 就是YOLO运行的python环境中的一个包，所以他是包含在python环境中的。

有了上面的只是我们可以知道，在安装了python环境和有了yolo源码后，实际上我们的YOLO环境就已经配置完成了，那么我们之前大费周章下载的 anaconda 有什么作用呢？

实际上，Anaconda 是一个至关重要的平台和工具集，它的核心作用是解决环境依赖与管理问题。

我们可以想象下面一个场景，如果我们想在一台电脑上运行不同的项目，这些项目所用到的python版本和依赖包完全不一样，但我们的电脑环境只能配置一种版本，这样就导致我们无法同时进行多个项目的调试。

但anaconda就可以，可以很好的解决这个问题，我们可以通过anaconda为每个项目创建专用的虚拟环境，这样的好处就是每个虚拟环境互不干扰，很好的解决了我们想在一台电脑中运行不同版本的项目的问题。

下面是Anaconda中常用的一些指令

命令	主要作用
conda env list	列出所有已创建的 Conda 环境及其存储路径
conda create -n <name> python=3.xx	创建一个指定名称和 Python 版本的新虚拟环境
conda remove -n <name> --all	彻底删除指定名称的虚拟环境及其所有包
conda activate <name>	激活（进入）指定名称的虚拟环境
conda deactivate	退出当前已激活的虚拟环境
python --version	查看当前环境下 Python 的版本信息
pip list	列出当前环境中所有已安装的 Python 包
pip install <package>=x.xx	安装指定版本号的 Python 包到当前环境
pip show <package>	显示指定包的详细信息，包括版本、位置等
pip uninstall <package>	卸载当前环境中指定的 Python 包

那么PyCharm是什么呢？

PyCharm 是一个 IDE，它的核心作用是为你编写、调试和管理代码提供极致的便利和强大的支持。它专注于开发环节的效率和正确性。

Anaconda与PyCharm在深度学习项目中构成了专业且高效的分工协作体系：Anaconda作为项目的基础保障，负责通过虚拟环境解决复杂的依赖管理与环境隔离问题，它像一个专业的后勤官，为每个项目创建并配置好一个包含特定版本Python及所有必要库（如PyTorch、CUDA工具包）的独立、纯净且兼容的运行环境；而PyCharm则作为核心开发平台，无缝集成Anaconda所创建的环境，并在此基础上提供强大的代码编辑、智能提示和最为关键的断点调试功能。 具体到项目流程中，开发者首先需用Anaconda命令行创建并激活专属环境并安装依赖，随后在PyCharm中将项目解释器指向该环境；在调试时，则直接利用PyCharm设置断点并启动调试模式，从而能在程序暂停状态下逐行执行代码、实时审查变量状态（如模型参数、数据张量），精准定位并修复逻辑错误或数据异常。简言之，Anaconda确保了项目环境的一致性与可复现性，让程序“能跑起来”，而PyCharm则在此稳定基础上极大地提升了开发与调试效率，确保开发者能“又快又好地写出正确的代码”。

1.3.1 创建YOLO环境

首先打开andconda终端，随后输入下面指令查看当前conda环境，这里由于博主已经创建好了其他环境，所以会有多个显示，正常情况下，应该只有一条base环境

conda env list

接下来，我们开始创建一个新的conda环境，名字就命名为yolo。在终端中输入下面这条指令，随后直接回车。然后便开始进行下载，过程中会提示是否确认安装，直接回车即可。

conda create -n yolo python=3.11

安装完成后，就会出现下面的内容，再次输入下面指令，就会发现多了一条yolo开头的配置

conda env list

随后输入,当出现下面的内容，并且开头的base变成了yolo就表示我们的环境激成功了。

conda activate yolo

1.3.2 安装PyTorch

接下来，我们就要开始安装运行 YOLO 最重要，也是最难安装的一个包。

之所以说这个包最难安装，是因为在安装时需要综合考虑 显卡的型号、显卡驱动的版本、python的版本、其他包的版本甚至是源代码的版本。

在安装之前，我们先检查一下显卡驱动，我们关注的是CUDA Version，我们需要保证我们下载的PyTorch版本小于等于我们当前的CUDA版本。

PyTorch下载地址

Previous PyTorch Versions

我们选择安装2.5.0版本，找到下面的这个位置，选择CUDA 11.8版本进行安装（我们的cuda版本是12.7，所以是满足安装要求的）复制该条指令到我们的命令行中。然后回车就开始安装我们的PyTorch包了，随后就是漫长的下载过程了。如果下载速度过慢的话，可以考虑使用镜像的方法进行下载。

当下完完成后，我们可以进行下测验，检验一下我们PyTorch有没有安装好，首选输入命令

pip show torch

该指令可以显示当前的PyTorch版本。随后我们在终端中输入

python

这样我们就进入了交互式模式，所谓的交互式就是你在终端中输入一条指令，python就会运行一条指令，与之对应的就是脚本式（script mode）：把所有的命令写好，放到一个.py文件中，让python一起运行。

随后我们输入

import torchvision

其中import的意思是导入某个包，通常我们导入后才能使用这个包，PyTorch包含了torch、torchvision、torchaudio三个包。当我们安装好PyTorch就可以导入并使用这三个包。随后我们输入

import torch

没有报错，我们继续输入

torch.cuda.is_available()

这一条语句通常是用来判断安装的PyTorch是GPU版本还是CPU版本，得到True说明是GPU版本，得到False说明是安装的CPU版本。

随后我们输入

torch.randn(1).cuda()

这一条语句的作用是创建一个随机数，然后把这个随机数加载到GPU，正常情况下会返回一个随机数，整个过程如下图所示，如果你完成了上面的一系列测试都没有问题的话，那么恭喜你成功的安装了PyTorch包。随后我们可以通过 Ctrl+Z然后回车退出交互式模式

1.3.3 安装其他包

首先找到我们之前下载的源码的安装路径，随后在终端中输入下面指令

pushd <你存放源代码的路径>

其中pushd <一个文件夹路径>  这个指令类似于cd指令，运行后可以进入文件夹，相比cd，pushd的好处是可以直接进入其他盘。

当我们切换完路径之后，就可以安装剩余的包了，在终端中输入下面的指令

pip install -e .

这条指令的作用是把ultralytics作为一个包安装到环境里，安装完成后，会有安装成功的提示。

2. YOLO测试

如果你成功做完了以上步骤，那么现在我们就可以来使用YOLO进行一个小测试了。

还是在上面的终端中，输入下面的语句

yolo detect predict

这个命令的作用是用yolo11n.pt这个目标检测模型预测源代码里的ultralytics/assets/里面的两张图片。执行完后我们可以看到，结果被保存到 \runs\detect\predict这个路径下

打开文件夹我们就可以看到使用YOLO模型执行完的目标检测任务。

到这一步，你已经可以调用YOLO模型进行目标检测任务了，但是每次都要在终端如输入命令行是不是太麻烦了？ 

当然！

所以我们就会用的一个IDE来方便我们后续更加复杂的操作，这个IDE就是PyCharm。

3. 安装PyCharm

3.1 下载PyCharm

这一步很简单，直接去PyCharm官网下载即可，现在的PyCharm已经不区分专业版和社区版了，我们选择Windows系统版本的安装包下载安装即可。

3.2 打开源码并配置PyCharm环境

首选进入下面的页面中，我这里已经打开过两个项目，所以在历史记录里面会有两个项目。

想要打开一个新的项目也很简单，我们只需要点击打开按键，就可以选择我们需要打开的项目，这里选择我们之前下载好的yolo源码，并打开文件夹。

这样我们就已经打开了我们的yolo项目，随后就是为这个yolo项目配置环境，也就是我们刚才安装的PyTorch等包。

我们点击文件，然后选择设置这一选项

随后就会弹出下面的窗口，我们选择当前项目->python解释器->添加解释器->添加本地解释器

然后就弹出下面的窗口，点击选择现有->类型选择为Conda->选择Conda的安装路径

conda路径设置为下面这个文件所在的路径

随后设置环境为我们之前创建的yolo，点击确定即可。随后就会加载我们之前在yolo环境里配置的包。

这样我们就在PyCharm中为我们当前的项目配置好了yolo环境。

3.3 PyCharm中运行yolo

到这一步，我们终于完成了所有的准备工作和环境配置，下面我将提供一段源码，大家可以利用这段源码实现一个简单的目标检测功能。

from ultralytics import YOLO
import cv2

model = YOLO(r"yolo11n.pt")


result = model(
    source=0,
    stream=True,
)


for result in result:
    plotted = result.plot()
    cv2.imshow("YOLO Inference", plotted)
    if cv2.waitKey(25) & 0xFF == ord("q"):
        break

cv2.destroyAllWindows()

如果运行正常的话，这段代码会开启大家电脑的摄像头，并实时显示当前检测到的目标信息。

如果你完成了以上的所有操作，那么恭喜你，已经成功实现了通过yolo模型进行目标检测任务。