15分钟速通yolo12，从环境搭建到推理图片，最后训练自己的数据集

项目演示视频：

https://www.bilibili.com/video/BV127YXz4Eto/

​

1 环境搭建

1.1 python安装

python我们这里使用了3.10，python的下载地址：Python Release Python 3.10.11 | Python.org

双击运行python安装包，执行安装流程，记得勾选环境变量。

​​

1.2 VsCode安装

我们编写python代码使用的ide环境是vscode，当然使用pycharm也是没问题的。

vscode的下载地址：Visual Studio Code - Code Editing. Redefined

根据安装提示安装即可：

​

1.3 Yolo框架代码

yolo官网github网址：https://github.com/ultralytics/ultralytics

​

我们提前电脑上新建一个存放我们工程的文件夹。

解压代码后，把框架代码中的ultralytics文件夹放到我们的工程文件夹中。

1.4 下载Yolo12的权重文件

打开yolo的官网网站：主页 - Ultralytics YOLO 文档

​

点击“模型页面”后，再点击左侧的“YOLO12”菜单

页面下滑后，找到YOLO12n，点击后下载yolo12n的权重文件，将权重文件存放到工程文件夹的根目录里。

​

1.5 pip依赖下载

先验证下python和pip是否安装并配置成功，运行cmd后，依次输入python和pip，检查是否有信息正确输出，如下图所示。

​

​

如果已经安装过了python后，输入python或者pip没有输出相关信息，则大概率是因为环境变量没有配置好，自行检查下环境变量问题，本文这里不对这个问题进一步展开叙述。

然后cmd通过cd命令把工作目录切换到之前所创建的工程目录的根目录下，创建虚拟环境，输入：

python -m venv myyolo12

创建之后我们进一步通过cd命令进入虚拟环境下的mylolo12/Scripts目录下

命令行中输入activate，激活虚拟环境，如果命令行前面出现小括号括起来的（myyolo12），则表明虚拟环境激活成功

​

激活成功后在通过cd命令切换回到工程目录的根目录下。

然后可以通过pip命令来安装所依赖的插件，输入：

pip install ultralytics

经过一段时间的等待，速度取决于网络情况，最终安装完所需要的插件。

​

1.6 vscode安装python插件

在vscode的扩展中，搜索python，找到python插件后，点击右侧的安装按钮。

​

2 图片预测

这里用yolo框架中提供的两张图像作为测试图像，测试图像存放于ultralytics/assets下的bus.jpg和zidane.jpg

​

​

图像预测的代码：

from ultralytics import YOLO
import cv2

img = cv2.imread("zidane.jpg")

#初始化模型
model = YOLO("yolo12n.pt")

#预测
results = model.predict(img)

#提取检测结果的图像
results_image = results[0].plot()

#展示检测结果图像
cv2.imshow("YOLOv12n Detection", results_image)
cv2.waitKey(0)
cv2.destroyAllWindows()

　　

代码并不复杂，先读取图像，然后初始化yolo模型，初始化模型中载入我们前面下载的yolo12的权重文件，然后调用predict进行图像预测，然后拿到预测的结果进行展示。

检测结果如下：

​

​

3 训练自己的数据集

3.1 数据集介绍

数据集是检测石头、剪刀、布的手势，如下图所示。

​

数据集分为：训练集、验证集、测试集，每个种类的数据集都有对应的图像和标注文件

​

标注文件

​

训练集有6455张图像

验证集有576张图像

测试集有304张图像

下面是数据集的yaml文件信息

train: train/images
val: valid/images
test: test/images

nc: 3
names: ['Paper', 'Rock', 'Scissors']

　　

将数据集和yaml文件复制到ultralytics/cfg/datasets目录下

3.2 数据集训练

数据集训练代码：

from ultralytics import YOLO

def main():
    # 载入yolo12的预训练权重文件
    model = YOLO("yolo12n.pt")
    # 调用训练函数
    model.train(
        data="data.yaml",    #数据集说明文件
        epochs=100,    #训练次数
        batch=16,    #训练批次
    )

if __name__ == "__main__":
    main()

　　

执行后，会进行训练，训练的速度取决于电脑的配置，也可以把代码托管到服务器上进行训练，具体方法本文不细展开。

训练过程如下

​

训练结束后，会在根目录的runs/detect下生成以train作为前缀的文件夹，里面保存了训练中产生的训练结果和最终产生的训练的权重文件。如下图所示

​

里面的weights文件夹存放了权重文件

​

其中:

best.pt表示训练过程中保存的训练效果最好的一次权重。

last.pt表示训练最后一次的训练结果的权重。

以上就是我们从0到环境搭建，到图片预测，最终训练自己数据集的完整过程，中间细节难免有些疏漏，如有问题，可以评论区进行讨论。

​