1、准备文件目录#

可以先建立一个简单目录：

1
yolo_test/
2
├── yolo11n.pt
3
├── test.jpg
4
└── predict.py

其中：

• yolo11n.pt 是预训练模型。
• test.jpg 是需要检测的图片。
• predict.py 是推理代码。

建议图片路径和模型路径先放在同一个目录中，这样可以减少路径错误。

2、安装 ultralytics#

进入对应的 conda 环境后执行：

1
pip install ultralytics

如果下载很慢，可以使用镜像源：

1
pip install ultralytics -i https://pypi.tuna.tsinghua.edu.cn/simple

安装完成后，可以测试一下：

1
yolo version

如果能输出版本号，说明命令行工具可以正常使用。

3、命令行预测#

最简单的预测方式是直接使用 yolo 命令：

1
yolo predict model=yolo11n.pt source=test.jpg

运行完成后，一般会生成类似目录：

1
runs/detect/predict/

里面会有标注好检测框的图片。

4、Python 代码预测#

也可以写成 Python 脚本：

1
from ultralytics import YOLO
2

3
# 加载模型
4
model = YOLO("yolo11n.pt")
5

6
# 执行预测
7
results = model.predict(
8
    source="test.jpg",
9
    save=True,
10
    conf=0.25
11
)
12

13
print("预测完成")
14
print(results)

运行：

1
python predict.py

参数说明：

• source：输入图片路径，也可以是文件夹或视频。
• save=True：保存预测结果。
• conf=0.25：置信度阈值，低于这个值的检测框不显示。

5、查看检测结果#

如果运行成功，终端里会显示结果保存位置。一般是：

1
runs/detect/predict

打开里面的图片，如果能看到检测框和类别名称，说明第一次预测成功。

6、常见问题#

1
pwd

1
cd

1
import torch
2
print(torch.cuda.is_available())

总结#

YOLO11 学习建议按这个顺序来：

1
环境配置 -> 预训练模型预测 -> 理解输出结果 -> 准备自己的数据集 -> 训练模型

今天先完成第一步预测，只要能跑通 test.jpg，后面训练自己的数据集就更容易排查问题。