Yolov8__Yolov11的安装使用及yolo的演变过程

前言

    当前网络上关于yolo安装和使用的说明普遍比较繁杂。本文结合Pycharm实现对最新的Yolov8和Yolov11模型的安装和使用。为了简化，没有采用cuda版本。因为从算力上来讲，Yolo属于中小模型，一般的图片，cpu的训练就可以快速完成了的。

    本文关于安装的细节相对简略一些，可以配合我的另外一篇博客：Yolo_v8的安装测试（https://blog.csdn.net/quickrubber/article/details/146611155）对比阅读。

一、Yolo的发展历程

这个图其实后面还应加上2024年的YOLOv11，可以参考网上的这张图：

二、安装步骤

2.1、先建立Pycharm工程

采用的Python版本是3.11

2.2、下载

https://github.com/ultralytics/ultralytics.git

2.3、解压覆盖到Pycharm目录

2.4、安装ultralytics

注意，为何下载了ultralytics源码之后，还需要进行pip安装呢。因为，github上提供的只是一个代码的框架和示例程序。所以，为了得到完整的Yolo的功能，还是需要进行pip install ultralytics这个操作的。

    运行如下的命令：

pip install ultralytics -i https://mirrors.aliyun.com/pypi/simple/

如图：

2.5、运行predict命令行实例 

yolo task=detect  mode=predict  model=yolov8n.pt source='cars.jpg'

运行结果如下：

预测图：

说明这个yolo基本已经可以使用了。

2.6、训练coco128集

采用代码的方式来训练coco128集合

训练成功，如下图：

2.7、yolov11训练测试

用代码也可以训练成功，结果如下图：