YOLO 环境搭建

更新: 2026/3/2 字数: 0 字时长: 0 分钟

本文档详细介绍在 Windows 系统上搭建 YOLO 系列模型环境的完整流程。MacOS 和 Linux 系统的搭建方法类似。文档按版本划分，每个版本单独说明依赖安装、模型文件下载及配置方法，便于快速完成环境准备。

环境准备

Anaconda

Anaconda 是 Python 管理环境的最佳方式。

Anaconda 是一个跨平台的 Python 和数据科学环境管理工具，支持 Windows、macOS 和 Linux。它集成了 Python、常用科学计算库和虚拟环境管理工具，方便搭建 YOLO 系列模型的开发环境。

⚠️ 观看提示：哔哩哔哩默认 360P 清晰度，建议手动切换至 720P 或高清画质

安装

推荐通过清华镜像站 Anaconda 归档下载 Anaconda。

推荐版本： Anaconda3-2024.06-1-Windows-x86_64.exe
更多版本：请访问镜像站归档

下载后，按提示完成安装即可。

配置镜像

在 Windows 系统中，您可以通过搜索打开 Anaconda Prompt，如果没有搜索功能，点击开始菜单，在已安装应用中找到并打开 Anaconda Prompt。

编辑 .condarc 配置文件，在 Anaconda Prompt 中执行：

bash

notepad .condarc

如果文件不存在，会自动创建。

添加清华镜像源配置，将以下内容粘贴到打开的记事本中并保存：

bash

channels:
  - defaults
show_channel_urls: true
default_channels:
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/r
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/msys2
custom_channels:
  conda-forge: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  pytorch: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud

保存并关闭记事本。

返回 Anaconda Prompt，执行以下命令验证配置：

bash

type .condarc

如果输出为上述内容，说明镜像配置成功。

设置PyPI镜像

bash

pip config set global.index-url https://mirrors.tuna.tsinghua.edu.cn/pypi/web/simple

查看当前环境：

bash

conda info --envs
conda list

常用命令

查看 Conda 版本：

bash

conda --version

更新 conda：

bash

conda update conda

查看所有虚拟环境：

bash

conda env list

或：

bash

conda info --envs

创建新环境（指定 Python 版本）：

bash

conda create -n yolo_env python=3.10

激活环境：

bash

conda activate yolo_env

退出当前环境：

bash

conda deactivate

删除环境：

bash

conda remove -n yolo_env --all

安装指定包（可结合镜像源或官方通道）：

bash

conda install numpy
conda install pytorch torchvision torchaudio -c pytorch

查看当前环境已安装的包：

bash

conda list

导出环境配置（方便在其他机器复现）：

bash

conda env export > yolo_env.yaml

从配置文件创建环境：

bash

conda env create -f yolo_env.yaml

提示：建议为不同 YOLO 版本或不同项目分别创建独立虚拟环境（如 yolo_v8_env、yolo_26_env、yolo_exp_env），以避免依赖冲突，提高开发与训练的稳定性。

PyCharm

PyCharm 是 JetBrains 提供的一款专业 Python IDE，支持跨平台（Windows、macOS、Linux），方便开发 YOLO 脚本、调试 Python 代码和管理虚拟环境。

安装

访问官网 https://www.jetbrains.com/pycharm/download/ 下载对应平台版本。
Windows：双击 .exe 安装包，按提示完成安装。
macOS：打开 .dmg 文件拖动到 Applications 文件夹。
Linux：解压 .tar.gz，进入 bin 目录执行 ./pycharm.sh 启动。

⚠️ 观看提示：哔哩哔哩默认 360P 清晰度，建议手动切换至 720P 或高清画质

打开 YOLO 源码并选择 Conda 环境

下载 YOLO 源代码并解压（注意路径不要有中文）
创建并选择对应的 Conda 虚拟环境：
- 不同 YOLO 版本对应不同环境
- 参考各版本环境搭建完成环境创建和依赖安装
安装完成后，用 PyCharm 打开项目源码，并选择刚创建的 Conda 虚拟环境

⚠️ 观看提示：哔哩哔哩默认 360P 清晰度，建议手动切换至 720P 或高清画质

在 PyCharm 中运行YOLO

为方便测试，这里提供推理、相机推理和训练示例脚本。

⚠️ 观看提示：哔哩哔哩默认 360P 清晰度，建议手动切换至 720P 或高清画质

示例脚本下载地址

推理示例

新建 myPredict.py 文件，粘贴以下代码运行：

# coding:utf-8
# 作者 ：Bot.js
# 开发时间:2025/12/10 下午2:34

from ultralytics import YOLO
model = YOLO(r"yolo1ln.pt")
model.predict(
    source=r"ultralytics/assets",
    save=True,
    show=False
)

相机推理示例

新建 myCam.py 文件，粘贴以下代码运行：

# coding:utf-8
# 作者 ：Bot.js
# 开发时间:2025/10/21 下午12:00

import cv2
from ultralytics import YOLO
model = YOLO(r"yolo11n.pt")
results = model.predict(
    source=0,
    stream=True,
)

for result in results:
    plotted = result.plot()
    cv2.imshow("YOLO Inference", plotted)
    if cv2.waitKey(1) & 0xFF == ord("q"):
        break

cv2.destroyAllWindows()

COCO训练示例

新建 myTrain.py 文件，粘贴以下代码运行：

# coding:utf-8
# 作者 ：Bot.js
# 开发时间:2025/12/10 下午2:34

from ultralytics import YOLO
if __name__ == "__main__":
    model = YOLO(r"yolo11n.pt")
    model.train(
        data=r"coco8.yaml",
        epochs=10,
        batch=16,
        imgsz=640,  
        workers=0, 
        cache=False,
        amp=False,
    )

各版本环境搭建

用最新版的 Ultralytics 官方源码是可以支持训练YOLO26、YOLO12 、YOLO11、YOLOv10、YOLOv9、YOLOv8、YOLOv5 所以最简单的办法就是直接参考YOLO26的环境搭建、训练、导出

YOLO26

视频教程

此视频使用的是 旧版 Ultralytics v8.3.163 源码，演示的是 YOLO11 模型权重文件（yolo11n.pt）。
你可以直接使用 Ultralytics 最新源码（v8.4.16 或更高版本） 和 YOLO26 模型权重文件（yolo26n.pt） 部署，操作方法与视频一致。

视频内容较为全面，包括：

源码下载
权重文件下载
创建 Conda 虚拟环境
安装 PyTorch：
- GPU（50 系列 NVIDIA 显卡）
- GPU（非 50 系列 NVIDIA 显卡）
- CPU
安装项目依赖

⚠️ 观看提示：哔哩哔哩默认 360P 清晰度，建议手动切换至 720P 或高清画质

环境说明

推荐方式 ✅

YOLO26 基于 Ultralytics 官方源码（v8.4.16）
支持 YOLOv5 / YOLOv8 / YOLOv9 / YOLOv10 / YOLO11 / YOLO12 / YOLO26 等模型训练、推理与导出
推荐作为统一训练环境使用
一套环境解决多版本模型问题

优势说明：

统一训练 / 推理 / 导出环境
支持 ONNX / NCNN 等多格式导出
避免多版本源码冲突
依赖版本较新，兼容性更好

⚠️ 推荐优先使用 YOLO26 作为主环境，避免为每个版本单独创建虚拟环境。

源码下载（v8.4.16）

GitHub 官方下载地址：https://github.com/ultralytics/ultralytics/archive/refs/tags/v8.4.16.zip

国内备用下载地址：https://1823071502.v.123pan.cn/1823071502/public/yolo/ultralytics-8.4.16.zip

下载完成后解压源码到本地目录。

⚠️ 请确保解压路径中不包含中文字符或空格，否则可能导致依赖安装或训练报错。例如：G:\website\yolo\ultralytics-8.4.16

预训练模型下载

具体参阅YOLO 系列预训练模型下载

创建 Conda 虚拟环境

⚠️ 请先打开 Anaconda Prompt 终端（不要使用普通 CMD）。

推荐使用 Python 3.11：

bash

conda create -n yolo26 python=3.11

激活环境：

bash

conda activate yolo26

安装 PyTorch（2.5.0 CPU 示例）

PyTorch 历史版本安装命令参考地址： https://pytorch.org/get-started/previous-versions/

以下为 Linux / Windows CPU Only 安装示例：

bash

conda install pytorch==2.5.0 torchvision==0.20.0 torchaudio==2.5.0 cpuonly -c pytorch

⚠️ 如需 GPU 版本，请根据 CUDA 版本选择对应的 PyTorch 2.5.0 GPU 安装命令。

安装项目依赖

进入 YOLO26 项目目录

bash

pushd G:\website\yolo\ultralytics-8.4.16

安装源码依赖

bash

pip install -e .

⚠️ 此命令会自动安装 pyproject.toml 中列出的所有依赖包。

使用 PyCharm 打开项目（可选）

使用 PyCharm 打开 yolo26 项目目录，并将 Python 解释器切换为之前创建的 yolo26 Conda 环境。

配置成功后，PyCharm 右下角会显示当前环境名称：yolo26。

具体操作步骤可参阅：视频教程

YOLO13

源码下载

GitHub 官方下载地址： https://github.com/iMoonLab/yolov13/archive/refs/tags/yolov13.zip

国内备用下载地址： https://1823071502.v.123pan.cn/1823071502/public/yolo/yolov13-yolov13.zip

预训练模型下载

具体参阅yolov13-模型下载

创建 Conda 虚拟环境

⚠️ 请先打开 Anaconda Prompt 终端（不要使用普通 CMD）。

推荐使用 Python 3.11：

bash

conda create -n yolo13 python=3.11

激活环境：

bash

conda activate yolo13

安装 PyTorch（2.4.1 CPU 示例）

PyTorch 历史版本安装命令参考地址：

https://pytorch.org/get-started/previous-versions/

以下为 Linux / Windows CPU Only 安装示例：

bash

pip install torch==2.4.1 torchvision==0.19.1 torchaudio==2.4.1 --index-url https://download.pytorch.org/whl/cpu

⚠️ 如需 GPU 版本，请根据 CUDA 版本选择对应的 PyTorch 2.4.1 GPU 安装命令。

安装项目依赖

1️⃣ 进入 YOLO13 项目目录

bash

pushd G:\website\yolo\yolov13-yolov13

修改 requirements.txt

用记事本或任意文本编辑器打开项目目录下的 requirements.txt 文件。

找到以下三行：

txt

torch==2.2.2 
torchvision==0.17.2
flash_attn-2.7.3+cu11torch2.2cxx11abiFALSE-cp311-cp311-linux_x86_64.whl

在每行前面添加 # 进行注释，修改为：

txt

#torch==2.2.2 
#torchvision==0.17.2
#flash_attn-2.7.3+cu11torch2.2cxx11abiFALSE-cp311-cp311-linux_x86_64.whl

⚠️ 添加 # 表示该依赖不会被 pip 安装。由于我们已经手动安装了指定版本的 PyTorch 和 torchvision，为避免版本冲突，需要注释掉这两项依赖。 flash_attn 需要手动下载和安装对应的 .whl 文件。

安装剩余依赖

推荐使用国内镜像源加速安装：

bash

pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

⚠️ 若不使用国内镜像，可删除 -i 参数使用默认源。

安装 thop：

bash

pip install thop

使用 PyCharm 打开项目（可选）

使用 PyCharm 打开 yolo13 项目目录，并将 Python 解释器切换为之前创建的 yolo13 Conda 环境。

配置成功后，PyCharm 右下角会显示当前环境名称：yolo13。

具体操作步骤可参阅：视频教程

YOLO12

方案1：使用 YOLO26 环境部署进行训练、推理与模型导出。训练时仅需选择 YOLO12 对应版本的预训练模型（.pt 预训练权重文件）即可。

方案2：使用 Ultralytics 官方 v8.3.163 版本源码进行训练、推理与模型导出。具体参阅视频教程

YOLO11

方案1：使用 YOLO26 环境部署进行训练、推理与模型导出。训练时仅需选择 YOLO11 对应版本的预训练模型（.pt 预训练权重文件）即可。

方案2：使用 Ultralytics 官方 v8.3.163 版本源码进行训练、推理与模型导出。具体参阅视频教程

YOLOv10

环境说明

✅ 训练 / 推理

可使用 YOLO26 / YOLO11 / YOLOv10 原始环境
直接加载对应 .pt 权重即可

⚠️ NCNN 导出

必须使用 YOLOv10 原始源码环境
需要修改源码
修改后仅用于导出，无法再正常训练 / 推理

📌 总结

训练 / 推理：任意环境（YOLO26 / YOLO11 / YOLOv10）均可
NCNN 导出：仅限修改后的 YOLOv10 原始源码环境

源码下载

GitHub 官方下载地址： https://github.com/THU-MIG/yolov10/archive/refs/heads/main.zip

国内备用下载地址： https://1823071502.v.123pan.cn/1823071502/public/yolo/yolov10-main.zip

下载完成后解压源码到本地目录。

⚠️ 请确保解压路径中不包含中文字符或空格，否则可能导致依赖安装或训练报错。例如：G:\website\yolo\yolov10-main

预训练模型下载

具体参阅YOLO 系列预训练模型下载

创建 Conda 虚拟环境

⚠️ 请先打开 Anaconda Prompt 终端（不要使用普通 CMD）。

推荐使用 Python 3.9.25：

bash

conda create -n yolov10 python=3.9.25

激活环境：

bash

conda activate yolov10

安装 PyTorch（2.0.1 CPU 示例）

PyTorch 历史版本安装命令参考地址：

https://pytorch.org/get-started/previous-versions/

以下为 Linux / Windows CPU Only 安装示例：

bash

pip install torch==2.0.1 torchvision==0.15.2 torchaudio==2.0.2 --index-url https://download.pytorch.org/whl/cpu

⚠️ 如需 GPU 版本，请根据 CUDA 版本选择对应的 PyTorch 2.0.1 GPU 安装命令。

安装源码依赖

进入 YOLOv10 项目目录

bash

pushd G:\website\yolo\yolov10-main

修改 requirements.txt

用记事本或任意文本编辑器打开项目目录下的 requirements.txt 文件。

找到以下两行：

txt

torch==2.0.1
torchvision==0.15.2

在每行前面添加 # 进行注释，修改为：

txt

#torch==2.0.1
#torchvision==0.15.2

⚠️ 添加 # 表示该依赖不会被 pip 安装。由于我们已经手动安装了指定版本的 PyTorch 和 torchvision，为避免版本冲突，需要注释掉这两项依赖。

安装剩余依赖

bash

pip install -r requirements.txt
pip install -e .

使用 PyCharm 打开项目（可选）

使用 PyCharm 打开 yolov10 项目目录，并将 Python 解释器切换为之前创建的 yolov10 Conda 环境。

配置成功后，PyCharm 右下角会显示当前环境名称：yolov10。

具体操作步骤可参阅：视频教程

YOLOv9

环境说明

推荐方式 ✅

可完全使用 YOLO26 环境进行 YOLOv9 的训练、推理与模型导出
无需单独维护 YOLOv9 源码环境
训练时只需选择对应 YOLOv9 的 .pt 权重文件即可

优势说明：

统一训练 / 推理 / 导出环境
避免多版本源码冲突
减少依赖兼容问题

源码下载（v0.1）

GitHub 官方下载地址： https://github.com/WongKinYiu/yolov9/archive/refs/tags/v0.1.zip

国内备用下载地址： https://1823071502.v.123pan.cn/1823071502/public/yolo/yolov9-main.zip

下载完成后解压源码到本地目录。

⚠️ 请确保解压路径中不包含中文字符或空格，否则可能导致依赖安装或训练报错。例如：G:\website\yolo\yolov9-main

预训练模型下载

具体参阅YOLO 系列预训练模型下载

创建 Conda 虚拟环境

⚠️ 请先打开 Anaconda Prompt 终端（不要使用普通 CMD）。

推荐使用 Python 3.9.12：

bash

conda create -n yolov9 python=3.9.12

激活环境：

bash

conda activate yolov9

安装 PyTorch（2.0.1 CPU 示例）

PyTorch 历史版本安装命令参考地址：

https://pytorch.org/get-started/previous-versions/

以下为 Linux / Windows CPU Only 安装示例：

bash

pip install torch==2.0.1 torchvision==0.15.2 torchaudio==2.0.2 --index-url https://download.pytorch.org/whl/cpu

⚠️ 如需 GPU 版本，请根据 CUDA 版本选择对应的 PyTorch 2.0.1 GPU 安装命令。

安装项目依赖

1️⃣ 进入 YOLOv9 项目目录

bash

pushd G:\website\yolo\yolov9-main

2️⃣ 安装依赖

推荐使用国内镜像源加速安装：

bash

pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

⚠️ 若不使用国内镜像，可删除 -i 参数使用默认源。

使用 PyCharm 打开项目（可选）

使用 PyCharm 打开 yolov9 项目目录，并将 Python 解释器切换为之前创建的 yolov9 Conda 环境。

配置成功后，PyCharm 右下角会显示当前环境名称：yolov9。

具体操作步骤可参阅：视频教程

YOLOv8

环境说明

推荐方式 ✅

直接使用 YOLO26 环境或 YOLO11 环境进行 YOLOv8 的训练、推理和导出
环境完全兼容，一站式解决所有需求

训练时只需选择对应 YOLOv8 的 .pt 权重文件即可

避坑提醒 ⚠️

如使用独立 YOLOv8 源码环境
导出模型时需要修改源码
源码修改后将无法正常训练和推理
仅能用于模型导出

建议： 统一使用 YOLO26 环境，避免环境分离带来的兼容性问题。

源码下载（v8.1.0）

GitHub 官方下载地址： https://github.com/ultralytics/ultralytics/archive/refs/tags/v8.1.0.zip

国内备用下载地址： https://1823071502.v.123pan.cn/1823071502/public/yolo/ultralytics-8.1.0.zip

下载完成后解压源码到本地目录。

⚠️ 请确保解压路径中不包含中文字符或空格，否则可能导致依赖安装或训练报错。例如：G:\website\yolo\ultralytics-8.1.0

预训练模型下载

具体参阅YOLO 系列预训练模型下载

创建 Conda 虚拟环境

⚠️ 请先打开 Anaconda Prompt 终端（不要使用普通 CMD）。

推荐使用 Python 3.9.12：

bash

conda create -n yolov8 python=3.9.12

激活环境：

bash

conda activate yolov8

安装 PyTorch（1.8.2 CPU 版本示例）

PyTorch 历史版本安装命令参考地址：https://pytorch.org/get-started/previous-versions/

以下为 CPU Only（Linux / Windows）安装示例：

bash

pip3 install torch==1.8.2 torchvision==0.9.2 torchaudio==0.8.2 --extra-index-url https://download.pytorch.org/whl/lts/1.8/cpu

⚠️ 如需 GPU 版本，请根据 CUDA 版本选择对应的 PyTorch 安装命令。

安装源码依赖

进入 YOLOv8 项目目录

bash

pushd G:\website\yolo\ultralytics-8.1.0

安装项目依赖

bash

pip install -e .

⚠️ 此命令会自动安装 setup.py 或 pyproject.toml 中列出的所有依赖包。

调整依赖版本

为保证训练或导出模型兼容性，建议调整以下依赖版本：

bash

pip install opencv-python==4.8.0.76
pip install numpy==1.25.2

⚠️ YOLOv8 源码导出模型时可能需要修改源码两处，或者直接使用 YOLO26 的环境导出模型更方便。

安装 ONNX 导出依赖

bash

pip install onnx==1.19.1 onnxruntime==1.19.2  onnxsim==0.4.36

使用 PyCharm 打开项目（可选）

使用 PyCharm 打开 YOLOv8 项目目录，并将 Python 解释器切换为之前创建的 yolov8 Conda 环境。

配置成功后，PyCharm 右下角会显示当前环境名称：yolov8。

具体操作步骤可参阅：视频教程

最后，您可以编写一个简单的推理测试脚本，检查模型的推理效果。

# coding:utf-8
# 作者 ：bot.js

from ultralytics import YOLO
# 加载 YOLOv8 模型
model = YOLO("yolov8n.pt")
# 进行推理
results = model.predict(
    "ultralytics/assets/bus.jpg",
    conf=0.25,  # 置信度阈值
    iou=0.7,    # IOU阈值
    imgsz=640,   # 推理尺寸
    show=True
)
# 遍历检测到的每个框
for box in results[0].boxes:
    xyxy = box.xyxy[0]  # 左上右下坐标
    conf = box.conf[0]  # 置信度
    cls = int(box.cls[0])  # 类别ID
    class_name = model.names[cls]  # 获取类别名称
    print(f"类别名: {class_name} | 类别ID: {cls} | 置信度: {conf:.2f} | "
          f"坐标: ({xyxy[0]:.2f}, {xyxy[1]:.2f}, {xyxy[2]:.2f}, {xyxy[3]:.2f})")

YOLOv7

源码下载（v0.1）

GitHub 官方下载地址： https://github.com/WongKinYiu/yolov7/archive/refs/tags/v0.1.zip

国内备用下载地址： https://1823071502.v.123pan.cn/1823071502/public/yolo/yolov7-main.zip

下载完成后解压源码到本地目录。

⚠️ 请确保解压路径中不包含中文字符或空格，否则可能导致依赖安装或训练报错。

例如：G:\website\yolo\yolov7-main

预训练模型下载

具体参阅YOLOv7 模型下载

创建 Conda 虚拟环境

⚠️ 请先打开 Anaconda Prompt 终端（不要使用普通 CMD）。

推荐使用 Python 3.9：

bash

conda create -n yolov7 python=3.9

激活环境：

bash

conda activate yolov7

安装 PyTorch（2.0.0 CPU 版本示例）

PyTorch 历史版本安装命令参考地址：https://pytorch.org/get-started/previous-versions/

以下为 CPU Only（Linux / Windows）安装示例：

bash

pip install torch==2.0.0 torchvision==0.15.1 torchaudio==2.0.1 --index-url https://download.pytorch.org/whl/cpu

⚠️ 如需 GPU 版本，请根据 CUDA 版本选择对应的 PyTorch 安装命令。

安装项目依赖

进入 YOLOv7 项目目录

bash

pushd G:\website\yolo\yolov7-main

安装基础依赖

bash

pip install -r requirements.txt

常见依赖报错解决方案

Pillow 报错解决

如果出现错误：

ImportError: DLL load failed while importing _imaging

说明是 Pillow 版本不兼容导致，执行：

bash

pip install pillow==8.4.0

Numpy 报错解决

如果出现类似错误：

RuntimeError: Numpy is not available ；compiled using NumPy 1.x cannot be run in NumPy 2.1.2 as it may crash. To support both 1.x and 2.x versions of NumPy, modules must be compiled with NumPy 2.0.

说明 NumPy 版本冲突，执行：

bash

pip install numpy==1.26.3

安装 ONNX 导出依赖

bash

pip install onnx==1.16.1
pip install onnx-simplifier
pip install onnx_graphsurgeon

使用 PyCharm 打开项目（可选）

使用 PyCharm 打开 YOLOv7 项目目录，并将 Python 解释器切换为之前创建的 yolov7 Conda 环境。

配置成功后，PyCharm 右下角会显示当前环境名称：yolov7。

具体操作步骤可参阅：视频教程

YOLOv6

源码下载

GitHub 官方下载地址： https://github.com/meituan/YOLOv6/archive/refs/tags/0.4.1.zip

国内备用下载地址： https://1823071502.v.123pan.cn/1823071502/public/yolo/YOLOv6-0.4.1.zip

预训练模型下载

具体参阅YOLOv6 模型下载

具体操作可以参考 YOLOv5 的环境部署教程

YOLOv5

环境说明

推荐方式 ✅

直接使用 YOLO26 环境或 YOLO11 环境进行 YOLOv5 的训练、推理和导出
环境完全兼容，一站式解决所有需求

训练时只需选择对应 YOLOv5 的 .pt 权重文件即可

注意：

当前项目仅支持 目标检测（Detect）任务
如需训练：
- 旋转检测（OBB）
- 图片分类（Classify）
请使用 YOLOv5 官方源码环境

建议： 统一使用 YOLO26 环境，避免环境分离带来的兼容性问题。

源码下载（v7.0）

GitHub 官方下载地址： https://github.com/ultralytics/yolov5/archive/refs/tags/v7.0.zip

国内备用下载地址： https://1823071502.v.123pan.cn/1823071502/public/yolo/yolov5-7.0.zip

下载完成后解压源码到本地目录。

⚠️ 请确保解压路径中不包含中文字符或空格，否则可能导致依赖安装或训练报错。

例如：G:\website\yolo\yolov5-7.0

预训练模型下载

具体参阅YOLOv5 模型下载

创建 Conda 虚拟环境

⚠️ 请先打开 Anaconda Prompt 终端（不要使用普通 CMD）。

推荐使用 Python 3.8：

bash

conda create -n yolov5 python=3.8

激活环境：

bash

conda activate yolov5

安装 PyTorch（1.8.1 CPU 版本示例）

PyTorch 历史版本安装命令参考地址：https://pytorch.org/get-started/previous-versions/

以下为 CPU Only（Linux / Windows）安装示例：

bash

pip install torch==1.8.1+cpu torchvision==0.9.1+cpu torchaudio==0.8.1 -f https://download.pytorch.org/whl/torch_stable.html

⚠️ 如需 GPU 版本，请根据 CUDA 版本选择对应的 PyTorch 安装命令。

安装项目依赖

进入 YOLOv5 项目目录

bash

pushd G:\website\yolo\yolov5-7.0

修改 requirements.txt

用记事本或任意文本编辑器打开项目目录下的 requirements.txt 文件。

找到以下两行：

txt

torch>=1.7.0  # see https://pytorch.org/get-started/locally (recommended)
torchvision>=0.8.1

在每行前面添加 # 进行注释，修改为：

txt

# torch>=1.7.0  # see https://pytorch.org/get-started/locally (recommended)
# torchvision>=0.8.1

⚠️ 添加 # 表示该依赖不会被 pip 安装。由于我们已经手动安装了指定版本的 PyTorch 和 torchvision，为避免版本冲突，需要注释掉这两项依赖。

安装剩余依赖

bash

pip install -r requirements.txt

安装指定依赖版本

为避免训练异常，建议安装以下指定版本：

bash

pip install Pillow==9.5.0
pip install numpy==1.20.3

安装 ONNX 导出依赖

bash

pip install onnx==1.16.1
pip install onnx-simplifier

导出 ONNX 示例

bash

python export.py --weights test/yolov5n.pt --img 640 --batch 1 --train --simplify --include onmx

示例说明：将模型导出为 ONNX 格式，输入尺寸 640×640，batch size 为 1。

使用 PyCharm 打开项目（可选）

使用 PyCharm 打开 YOLOv5 项目目录，并将 Python 解释器切换为之前创建的 yolov5 Conda 环境。

配置成功后，PyCharm 右下角会显示当前环境名称：yolov5。

具体操作步骤可参阅：视频教程

YOLOx

源码下载（v0.3.0）

GitHub 官方下载地址： https://github.com/Megvii-BaseDetection/YOLOX/archive/refs/tags/0.3.0.zip

国内备用下载地址： https://1823071502.v.123pan.cn/1823071502/public/yolo/YOLOX-0.3.0.zip

下载完成后解压源码到本地目录。

⚠️ 请确保解压路径中不包含中文字符或空格，否则可能导致环境安装或训练报错。

例如：G:\website\yolo\YOLOX-0.3.0

预训练模型下载

具体参阅YOLOX 模型下载

创建 Conda 虚拟环境

⚠️ 请先打开 Anaconda Prompt 终端（不要使用普通 CMD）。

推荐使用 Python 3.8：

bash

conda create -n yolox python=3.8

激活环境：

bash

conda activate yolox

安装 PyTorch（1.7.0 CPU 版本）

PyTorch 历史版本安装命令参考地址：https://pytorch.org/get-started/previous-versions/

以下为 CPU Only（Linux / Windows）安装示例：

bash

conda install pytorch==1.7.0 torchvision==0.8.0 torchaudio==0.7.0 cpuonly -c pytorch

⚠️ 如需 GPU 版本，请根据 CUDA 版本选择对应的 PyTorch 安装命令。

安装项目依赖

进入 YOLOX 项目目录

bash

pushd G:\website\yolo\YOLOX-0.3.0

修改 requirements.txt

用记事本打开项目目录下的 requirements.txt 文件
找到以下两行：

txt

torch>=1.7
torchvision

在每行最前面添加 # 号进行注释，修改为：

txt

# torch>=1.7
# torchvision

⚠️ 添加 # 表示该依赖不会被 pip 安装。
由于我们已经手动安装了指定版本的 PyTorch 和 torchvision，为避免版本冲突，需要注释掉这两项依赖。

安装剩余依赖

bash

pip install -r requirements.txt

使用 PyCharm 打开项目（可选）

使用 PyCharm 打开 YOLOX 项目目录，并将 Python 解释器切换为之前创建的 yolox Conda 环境。

配置成功后，PyCharm 右下角会显示当前环境名称：yolox。

具体操作步骤可参阅：视频教程

YOLO 系列预训练模型下载

以下为各主流 YOLO 版本的预训练模型（.pt 权重文件）下载地址：

Ultralytics 官方模型资源（通用）

👉 https://github.com/ultralytics/assets/releases

该页面提供 Ultralytics 官方发布的 .pt 预训练模型权重，包括：

YOLOv5
YOLOv8
YOLOv9
YOLOv10
YOLO11
YOLO12
YOLO26

适用于 Ultralytics 系列模型推理与部署。

未移植功能：

YOLOv5
- 实例分割（Segment）
- 旋转检测（OBB）
- 图片分类（Classify）

未移植模型版本：

YOLOv6
YOLOv7
YOLO13

YOLOv13 模型下载

👉 https://github.com/iMoonLab/yolov13/releases

第三方开源实现的 YOLOv13 版本模型权重及代码。

YOLOv10 模型下载

👉 https://github.com/THU-MIG/yolov10/releases

WongKinYiu 团队开源的 YOLOv7 系列模型权重与源码。

YOLOv7 模型下载

👉 https://github.com/WongKinYiu/yolov7/releases

WongKinYiu 团队开源的 YOLOv7 系列模型权重与源码。

YOLOv6 模型下载

👉 https://github.com/meituan/YOLOv6/releases

美团视觉团队发布的 YOLOv6 官方预训练模型下载地址。

https://github.com/meituan/YOLOv6

YOLOv5 模型下载

👉 https://github.com/ultralytics/yolov5/releases

Ultralytics 官方 YOLOv5 预训练模型下载地址。

YOLOX 模型下载

👉 https://github.com/Megvii-BaseDetection/YOLOX/releases

旷视（Megvii）开源的 YOLOX 系列模型权重与源码。

YOLO 环境搭建 ​

环境准备 ​

Anaconda ​

安装 ​

配置镜像 ​

常用命令 ​

PyCharm ​

安装 ​

打开 YOLO 源码并选择 Conda 环境 ​

在 PyCharm 中运行YOLO ​

各版本环境搭建 ​

YOLO26 ​

视频教程 ​

环境说明 ​

源码下载（v8.4.16） ​

预训练模型下载 ​

创建 Conda 虚拟环境 ​

安装 PyTorch（2.5.0 CPU 示例） ​

安装项目依赖 ​

进入 YOLO26 项目目录 ​

安装源码依赖 ​

使用 PyCharm 打开项目（可选） ​

YOLO13 ​

源码下载 ​

预训练模型下载 ​

创建 Conda 虚拟环境 ​

安装 PyTorch（2.4.1 CPU 示例） ​

安装项目依赖 ​

修改 requirements.txt ​

安装剩余依赖 ​

使用 PyCharm 打开项目（可选） ​

YOLO12 ​

YOLO11 ​

YOLOv10 ​

环境说明 ​

源码下载 ​

预训练模型下载 ​

创建 Conda 虚拟环境 ​

安装 PyTorch（2.0.1 CPU 示例） ​

安装源码依赖 ​

进入 YOLOv10 项目目录 ​

修改 requirements.txt ​

安装剩余依赖 ​

使用 PyCharm 打开项目（可选） ​

YOLOv9 ​

环境说明 ​

源码下载（v0.1） ​

预训练模型下载 ​

创建 Conda 虚拟环境 ​

安装 PyTorch（2.0.1 CPU 示例） ​

安装项目依赖 ​

使用 PyCharm 打开项目（可选） ​

YOLOv8 ​

环境说明 ​

源码下载（v8.1.0） ​

预训练模型下载 ​

创建 Conda 虚拟环境 ​

安装 PyTorch（1.8.2 CPU 版本示例） ​

安装源码依赖 ​

进入 YOLOv8 项目目录 ​

安装项目依赖 ​

调整依赖版本 ​

安装 ONNX 导出依赖 ​

使用 PyCharm 打开项目（可选） ​

YOLOv7 ​

源码下载（v0.1） ​

预训练模型下载 ​

创建 Conda 虚拟环境 ​

安装 PyTorch（2.0.0 CPU 版本示例） ​

安装项目依赖 ​

进入 YOLOv7 项目目录 ​

安装基础依赖 ​

常见依赖报错解决方案 ​

安装 ONNX 导出依赖 ​

使用 PyCharm 打开项目（可选） ​

YOLOv6 ​

源码下载 ​

预训练模型下载 ​

YOLOv5 ​

环境说明 ​

YOLO 环境搭建

环境准备

Anaconda

安装

配置镜像

常用命令

PyCharm

安装

打开 YOLO 源码并选择 Conda 环境

在 PyCharm 中运行YOLO

各版本环境搭建

YOLO26

视频教程

环境说明

源码下载（v8.4.16）

预训练模型下载

创建 Conda 虚拟环境

安装 PyTorch（2.5.0 CPU 示例）

安装项目依赖

进入 YOLO26 项目目录

安装源码依赖

使用 PyCharm 打开项目（可选）

YOLO13

源码下载

预训练模型下载

创建 Conda 虚拟环境

安装 PyTorch（2.4.1 CPU 示例）

安装项目依赖

修改 requirements.txt

安装剩余依赖

使用 PyCharm 打开项目（可选）

YOLO12

YOLO11

YOLOv10

环境说明

源码下载

预训练模型下载

创建 Conda 虚拟环境

安装 PyTorch（2.0.1 CPU 示例）

安装源码依赖

进入 YOLOv10 项目目录

修改 requirements.txt

安装剩余依赖

使用 PyCharm 打开项目（可选）

YOLOv9

环境说明

源码下载（v0.1）

预训练模型下载

创建 Conda 虚拟环境

安装 PyTorch（2.0.1 CPU 示例）

安装项目依赖

使用 PyCharm 打开项目（可选）

YOLOv8

环境说明

源码下载（v8.1.0）

预训练模型下载

创建 Conda 虚拟环境

安装 PyTorch（1.8.2 CPU 版本示例）

安装源码依赖

进入 YOLOv8 项目目录

安装项目依赖

调整依赖版本

安装 ONNX 导出依赖

使用 PyCharm 打开项目（可选）

YOLOv7

源码下载（v0.1）

预训练模型下载

创建 Conda 虚拟环境

安装 PyTorch（2.0.0 CPU 版本示例）

安装项目依赖

进入 YOLOv7 项目目录

安装基础依赖

常见依赖报错解决方案

安装 ONNX 导出依赖

使用 PyCharm 打开项目（可选）

YOLOv6

源码下载

预训练模型下载

YOLOv5

环境说明