虚拟机部署ultralytics训练yolo11模型
设备信息
- ubuntu server 24.01虚拟机, 可以参考这个部署
- 分配100G以上的硬盘
- 分配8g以上内存
环境准备
1. 安装依赖
确保系统已安装以下依赖：
- Python 3.11 或更高版本
- pip 工具
- venv虚拟环境
sudo apt update
# sudo apt install python3.11 python3-pip -y
# 默认安装了python3.12
sudo apt install python3-pip -y
# 安装虚拟环境管理venv
sudo apt install python3-venv
2. 创建虚拟环境
为了隔离环境，建议创建一个虚拟环境。
python3 -m venv yolo_env
# 将下面一行添加到.bashrc, 方便后续直接使用（如果本机上需要多个虚拟环境，则每次都执行吧）
source yolo_env/bin/activate
3. 安装ultralytics库
在虚拟环境中安装 ultralytics 库。
pip install ultralytics
或者从源代码安装最新版本：
pip install git+https://github.com/ultralytics/ultralytics@main
4. 安装onnx库
在虚拟环境中安装 ultralytics 库。
pip install onnx
5. 安装PyTorch
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cpu
6. 安装缺失的库（如果是nvidia显卡，自行找其他方式，我没试过）
sudo apt update
sudo apt install libgl1 libglx-mesa0 -y
训练模型
1. 下载预训练模型
YOLO11 提供了多种预训练模型，例如 yolo11n.pt。可以直接加载这些模型进行微调或预测。
from ultralytics import YOLO
model = YOLO('yolo11n.pt') # 加载预训练模型
2. 数据集准备
YOLO11 支持多种任务类型的数据集格式，包括检测、分割、分类和姿态估计。以 COCO 格式为例，数据集需要包含 train.yaml 和 val.yaml 文件。
示例：COCO8 数据集, 更多详细实例见ultralytics/cfg/datasets
# coco8.yaml
train: ../datasets/coco8/images/train/
val: ../datasets/coco8/images/val/
nc: 80
names: ['person', 'bicycle', 'car', ...]
3. 开始训练
使用 model.train() 方法进行模型训练。
model.train(data='coco8.yaml', epochs=3, imgsz=640)
data: 数据集配置文件路径。epochs: 训练轮数。imgsz: 输入图像大小。
4. 验证模型
训练完成后，可以使用验证集评估模型性能。
results = model.val()
5. 模型预测
在单张图片上进行预测。
results = model('https://ultralytics.com/images/bus.jpg')
6. 导出模型
将训练好的模型导出为其他格式，例如 ONNX。
success = model.export(format='onnx')
整合脚本：
from ultralytics import YOLO
# Load a model
model = YOLO('yolo11n.yaml') # build a new model from scratch
model = YOLO('yolo11n.pt') # load a pretrained model (recommended for training)
# Use the model
results = model.train(data='coco8.yaml', epochs=3) # train the model
results = model.val() # evaluate model performance on the validation set
results = model('https://ultralytics.com/images/bus.jpg') # predict on an image
results = model.export(format='onnx') # export the model to ONNX format
常用命令
1. 使用 CLI 进行预测
yolo predict model=yolo11n.pt source='https://ultralytics.com/images/zidane.jpg'
2. 验证模型
yolo val model=yolo11n.pt data=coco8.yaml
3. 导出模型
yolo export model=yolo11n.pt format=torchscript
性能优化
1. GPU 加速
确保系统已安装 NVIDIA CUDA 和 cuDNN，并正确配置 GPU 环境。
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu124
2. TensorRT 导出
对于高性能推理，可以将模型导出为 TensorRT 格式。
yolo export model=yolo11n.pt format=tensorrt
参考资料
以上是在 Ubuntu Server 24.04 上部署 YOLO11 训练环境的完整步骤，按照上述指南操作即可快速搭建并开始训练模型。