核心内容摘要
造相-Z-Image对比测试：与传统SDXL的速度差异实测
用YOLO11做了个目标检测项目附完整步骤
这不是又一个“安装教程”而是真正在跑通的实操记录你可能已经看过不少YOLO系列的介绍文章——讲架构、列参数、贴性能对比图。
但真正卡在“我的代码跑不起来”“训练没反应”“推理结果全是空框”的人从来不在少数。
这篇文章不一样。
它不讲YOLO11有多先进也不堆砌mAP和GFLOPs数据。
它只记录我在真实镜像环境里从打开终端到看到第一个检测框的全过程哪些命令必须敲、哪些路径不能错、哪些报错能忽略、哪些提示意味着成功。
所有操作均基于你手头已有的YOLO11镜像含完整可运行环境无需额外配置CUDA或PyTorch开箱即用。
如果你正对着黑乎乎的终端发愁不知道下一步该cd进哪个文件夹或者train.py运行后屏幕静默三分钟——请放心往下看。
每一步我都替你试过了。
镜像启动后第一件事不是写代码是确认环境别急着跑模型。
先花30秒确认你真的站在了正确的起点上。
1 进入项目主目录镜像文档明确写了这行命令cd ultralytics-
8.
9/请务必执行。
这不是可选项。
YOLO11的训练脚本、配置文件、权重都在这个目录下。
如果你跳过这步在家目录或jupyter根目录直接运行python train.py会得到清晰但冰冷的报错ModuleNotFoundError: No module named ultralytics或更隐蔽的FileNotFoundError: [Errno 2] No such file or directory: train.py执行后用ls快速扫一眼关键文件是否存在ls -l你应该看到类似这些内容不必完全一致但核心文件名要对得上drwxr-xr-x 4 root root 4096 Dec 15 10:22 ultralytics/ -rw-r--r-- 1 root root 123 Dec 15 10:22 train.py -rw-r--r-- 1 root root 456 Dec 15 10:22 detect.py -rw-r--r-- 1 root root 789 Dec 15 10:22 coco
yaml看到train.py、detect.py、coco
yaml和ultralytics/文件夹说明环境就绪。
2 检查Python与Ultralytics版本虽然镜像是预装好的但多一重验证更安心。
运行python --version pip list | grep ultralytics预期输出版本号可能略有浮动但ultralytics必须在列表中Python
3.
1
12 ultralytics
8.
9如果ultralytics没出现说明镜像环境异常请重启实例并重试第一步。
不要尝试手动pip install——镜像已固化依赖强行安装可能破坏环境一致性。
用最简方式让YOLO11“动”起来别一上来就训COCO。
先让模型“说句话”证明它听懂了你的指令。
1 一行命令完成首次推理在ultralytics-
8.
9/目录下执行python detect.py --source assets/bus.jpg --weights yolov11n.pt --conf
25 --imgsz 640注意几个关键点--source assets/bus.jpg镜像自带示例图路径固定别自己找图替换--weights yolov11n.pt使用轻量级预训练权重启动最快--conf
25降低置信度阈值避免因默认
5太高而“看不见框”--imgsz 640统一输入尺寸兼容性最好。
运行后你会看到类似这样的日志流Ultralytics YOLOv11 Python-
3.
1
12 torch-
2.
0cu121 CUDA:0 (Tesla T
... Results saved to runs/detect/predict成功标志终端末尾出现Results saved to runs/detect/predict且runs/detect/predict/目录下生成了bus.jpg带红框的检测结果图。
小技巧如果想立刻查看效果不用下载图片。
在Jupyter中新建notebook输入from IPython.display import Image, display display(Image(runs/detect/predict/bus.jpg))红框、标签、置信度分数一目了然。
2 如果卡住或报错先看这三点现象最可能原因解决动作终端长时间无输出光标闪烁GPU未被识别或显存不足执行nvidia-smi确认有GPU进程改用yolov11n.pt最小模型重试报错No module named ultralytics不在ultralytics-
8.
9/目录执行cd ultralytics-
8.
9/再运行命令报错File not found: yolov11n.pt权重文件名拼写错误镜像内实际文件名是yolo11n.pt不是yolov11n.pt修正为--weights yolo11n.pt记住YOLO11的权重文件前缀是yolo11不是yolov11。
这是官方命名也是新手最容易输错的地方。
训练自己的数据从准备到收敛只改3个地方很多教程把数据集准备说得云山雾罩。
其实对于YOLO11只要结构对两分钟就能搭好。
1 数据集目录结构严格按这个来假设你要训一个“检测办公室椅子”的小项目数据放在my_chair/目录下。
它的结构必须是my_chair/ ├── images/ │ ├── train/ │ │ ├── img
jpg │ │ └── img
jpg │ └── val/ │ ├── img
jpg │ └── img
jpg ├── labels/ │ ├── train/ │ │ ├── img
txt │ │ └── img
txt │ └── val/ │ ├── img
txt │ └── img
txt └── my_chair.yaml关键细节images/和labels/必须同级train/和val/子目录必须存在哪怕val/里只有1张图.txt标签文件必须与同名.jpg在同一级目录如img
jpg对应img
txtmy_chair.yaml是你的数据集配置文件内容极简train: ../my_chair/images/train val: ../my_chair/images/val nc: 1 names: [chair]nc: 1表示1个类别names: [chair]是类别名必须是列表格式单类别也加方括号。
2 修改训练脚本只动3行打开train.py找到这几行通常在文件末尾附近if __name__ __main__: model YOLO(yolo11n.pt) results model.train(datacoco
yaml, epochs100, imgsz
改成if __name__ __main__: model YOLO(yolo11n.pt) # 保持不变 results model.train(data../my_chair/my_chair.yaml, epochs50, imgsz
仅3处修改data路径指向你的my_chair.yaml注意..返回上一级epochs50小数据集50轮足够避免过拟合其他参数imgsz,batch,device全部保留默认不碰。
保存文件运行python train.py你会看到实时训练日志包括每轮的box_loss,cls_loss,mAP
等指标。
训练完成后模型自动保存在runs/train/exp/weights/best.pt。
成功标志runs/train/exp/weights/目录下出现best.pt和last.pt两个文件。
验证效果用自己训的模型检测新图训练完不验证等于没训。
用刚生成的best.pt跑一次检测python detect.py --source assets/zidane.jpg --weights runs/train/exp/weights/best.pt --conf
3--source换成任意你想测的图assets/下还有zidane.jpg,dog.jpg--weights指向你训出的best.pt--conf
3略微调低阈值让结果更丰富。
结果图同样保存在runs/detect/predict/下。
打开它看红框是否精准落在椅子上——这才是闭环的最后一环。
6.
常见问题直击那些文档里没写的“坑”
1 Jupyter里跑不起来train.py换种姿势镜像支持Jupyter但直接在notebook里!python train.py常因路径或环境变量失败。
推荐做法在Jupyter左侧文件浏览器进入ultralytics-
8.
9/目录新建一个.py文件如my_train.py把修改后的训练代码粘贴进去在终端非notebook中执行cd ultralytics-
8.
9 python my_train.py。
这样既利用Jupyter编辑便利又保证执行环境纯净。
2 训练中途断了能续吗能。
YOLO11原生支持断点续训。
只需把train.py里的model.train(...)改成results model.train( data../my_chair/my_chair.yaml, epochs100, imgsz640, resumeTrue # 加这一行 )它会自动读取runs/train/exp/weights/last.pt继续训练。
3 想换GPU设备不用改代码镜像已预装CUDA驱动。
若机器有多个GPU只需在命令后加python train.py --device 1 # 使用第1号GPU编号从0开始或指定多卡python train.py --device 0,1 # 同时用GPU 0和1无需修改Python代码命令行参数直接生效。
7.
总结你刚刚完成的是一套可复用的目标检测工作流回顾一下你亲手走通了环境确认cd进对目录、验证ultralytics可用快速验证一行命令跑通预训练模型推理数据准备建立标准YOLO格式数据集写极简yaml模型训练修改3个参数启动训练并获得best.pt效果验证用自训模型检测新图闭环验证。
这五步就是工业界落地YOLO项目的最小可行路径。
它不追求SOTA精度但保证100%可运行、可调试、可交付。
后续你可以把yolo11n.pt换成yolo11m.pt提升精度在my_chair.yaml里增加test: ../my_chair/images/test做最终评估用model.export(formatonnx)导出ONNX部署到边缘设备。
技术的价值永远在于它能否解决眼前的问题。
而你现在已经拥有了那个“能解决问题”的能力。