ubantu22.04配置YOLO

### 安装和配置 YOLO 框架 要在 Ubuntu 22.04 上安装和配置 YOLO (You Only Look Once)，需要完成以下几个方面的准备工作以及具体操作： #### 准备工作 为了成功运行 YOLO，需先确保系统已更新并安装必要的依赖项。这些依赖项包括但不限于 CMake 和一些线性代数库。 可以通过以下命令来更新系统并安装所需的开发工具链： ```bash sudo apt update && sudo apt upgrade -y sudo apt install cmake libopenblas-dev liblapack-dev libarpack2-dev libsuperlu-dev -y ``` 上述命令用于安装构建工具和其他科学计算所需的支持库[^1]。 #### Anaconda 环境准备 考虑到 Python 的版本管理和依赖冲突问题，在使用 YOLO 前建议通过 Anaconda 创建独立的虚拟环境。这一步骤有助于隔离不同项目的依赖关系。 创建一个新的 Conda 虚拟环境，并激活该环境： ```bash conda create --name yolo_env python=3.8 conda activate yolo_env ``` 在此环境中安装 PyTorch 及其他必要组件（如 NumPy）。以 CUDA 支持为例，假设 GPU 已经适配，则可以执行如下命令： ```bash conda install pytorch torchvision torchaudio cudatoolkit=11.3 -c pytorch pip install numpy opencv-python matplotlib Pillow tqdm ``` 对于不带 GPU 加速的情况，可以选择 CPU-only 版本的 PyTorch 进行安装。 #### 下载与编译 Darknet 或 Ultralytics/YOLOv5 YOLO 提供了多个实现方式，其中最常见的是原始作者 Joseph Redmon 开发的经典版 `Darknet` 和由社区维护、基于 PyTorch 实现的新一代模型 `Ultralytics/YOLOv5`。 ##### 方法一：经典 Darknet 实现 克隆官方仓库到本地目录后按照指示进行设置： ```bash git clone https://github.com/AlexeyAB/darknet.git cd darknet make ``` 此过程会利用之前提到过的 CMake 构建脚本来生成可执行文件[^3]。 ##### 方法二：现代 Ultralytics/YOLOv5 实现 另一种更流行的选择是从 GitHub 获取最新发布的源码副本并通过 pip 执行简单部署流程： ```bash git clone https://github.com/ultralytics/yolov5.git cd yolov5 pip install -r requirements.txt ``` 这样就完成了大部分前期准备工作[^2]。 #### 测试验证 无论采用哪种方法，最后都应测试一下是否能够正常加载预训练权重并对样本图像做出预测。例如针对 ultralytics-yolov5 库来说，只需调用内置函数即可快速体验效果： ```python from IPython import display display.Image(filename='zidane.jpg') !python detect.py --weights yolov5s.pt --img 640 --conf 0.25 --source zidane.jpg ``` 以上即是在 Ubuntu 22.04 平台上搭建 YOLO 系统的主要步骤概述。 ---