#  介绍 UltralyticsYOLO11YOLO11 基于深度学习和计算机视觉领域的尖端技术，在速度和准确性方面具有无与伦比的性能。其流线型设计使其适用于各种应用，并可轻松适应从边缘设备到云 API 等不同硬件平台。

探索Ultralytics 文档，这是一个旨在帮助您了解和利用其特性和功能的综合资源。无论您是经验丰富的机器学习实践者，还是刚进入该领域的新手，该中心都旨在最大限度地发挥YOLO 在您的项目中的潜力。

一，了解YOLO

详细了解请查看官网：主页 -Ultralytics YOLO 文档

二，下载安装pycharm软件，网址PyCharm: the Python IDE for data science and web development

第一步：下载(拉取代码)

# Clone the ultralytics repository
git clone https://github.com/ultralytics/ultralytics

第二步：安装Yolo代码所需依赖

如果使用venv：pip install ultralytics

如果使用aconda：conda install ultralytics

第三步：安装cuda 和cuDNN

1.CUDA查询电脑支持最高cuda版本是多少，终端输入命令nvidia-smi查看

2.去pytorch官网下载，对应版本的CUDA，网址：PyTorch

3.切换虚拟环境安装

注意# 默认是 base 虚拟环境，要切换到虚拟环境安装
如果你想要使用其他环境首先就要取消掉base环境：conda deactivate base
查看 当前使用虚拟环境 conda env list 带*代表就是正在使用
然后选择自己要使用的虚拟环境：conda activate yourselfxxx

4.下载安装cuda

5.cuDNN官网下载对应版本的CUDAA 网址cuDNN Archive | NVIDIA Developer

第四步：激活环境

aconda环境激活：
默认是 base 虚拟环境
然后如果你想要使用其他环境首先就要取消掉base环境：conda deactivate base
查看 当前使用虚拟环境 conda env list 带*代表就是正在使用的
然后选择自己要使用的虚拟环境：conda activate yourselfxxx

venv 环境激活：
D:\test>cd myvenv
D:\test\myvenv>cd Scripts
D:\test\myvenv\Scripts>activate
(myvenv)D:\test\myvenv\Scripts>

第五步：验证

1. import torch

2. print(torch.cuda.is_available())
   # 如果为True就代表gpu可用 torch 配置成功

第六步：验证yolo是否可用

from ultralytics import YOLO
​
# Load a pretrained YOLOv8n model
model = YOLO("yolov8n.pt")
​
# Run inference on 'bus.jpg' with arguments
results = model.predict("bus.jpg", save=True, imgsz=320, conf=0.5)
# Value of result
for result in results:
    print("图像原始大小:", result.orig_shape)
    data_numpy = result.boxes.data.cpu().numpy()
    for data in data_numpy:
        print("data", data)
        print("左上角X轴坐标:", data[0])
        print("左上角Y轴坐标:", data[1])
        print("右下角X轴坐标:", data[2])
        print("右下角Y轴坐标:", data[3])
        print("置---信---度:", data[4])
        print("检测到的类有:",  data[5])

第七步：AI视觉识别domo

1.新建domo文件（项目根目录下）文件名如：aiVisualModel.py

2.domo代码

from collections import defaultdict
import cv2
import numpy as np
from ultralytics import YOLO
import os
os.environ["KMP_DUPLICATE_LIB_OK"] = "TRUE"  # 允许临时忽略冲突
# 加载YOLO模型
model = YOLO("yolov8n.pt")
video_path = "video.mp4"
cap = cv2.VideoCapture(video_path)
track_history = defaultdict(lambda: [])

# 循环读取视频帧
while cap.isOpened():
    success, frame = cap.read()
    if not success:
        break  # 视频结束或读取失败时退出循环

    # 使用跟踪器处理当前帧，指定跟踪器配置
    results = model.track(frame, persist=True, tracker="bytetrack.yaml")

    # 获取带标注的帧，若结果无效则使用原帧
    annotated_frame = frame.copy()
    if results:
        annotated_frame = results[0].plot()  # 绘制检测结果

        # 检查是否存在检测框
        if results[0].boxes is not None:
            # 遍历每个检测框
            for box in results[0].boxes:
                # 确认该检测框有跟踪ID
                if box.id is not None:
                    # 提取ID和坐标
                    track_id = int(box.id.cpu().tolist()[0])
                    x, y, w, h = box.xywh.cpu().numpy()[0]

                    # 更新轨迹历史
                    track = track_history[track_id]
                    track.append((float(x), float(y)))
                    if len(track) > 30:  # 限制轨迹长度
                        track.pop(0)

                    # 绘制轨迹线
                    points = np.array(track, dtype=np.int32).reshape((-1, 1, 2))
                    cv2.polylines(annotated_frame, [points], isClosed=False,
                                  color=(16, 210, 115), thickness = 3)

    # 显示结果
    cv2.imshow("YOLOv8 Tracking", annotated_frame)
    if cv2.waitKey(1) & 0xFF == ord("q"):
        break

# 释放资源
cap.release()
cv2.destroyAllWindows()

最后看最终的效果

#如果对你有帮助记得三联一下哈！！！