Ubuntu 20.04 从零开始安装与测试 YOLOv11 目标检测（小白保姆级图文教程）

第一步：打造YOLOv11的运行环境（基础环境配置）

在安装YOLOv11之前，我们需要确保系统已经安装了必要的软件包。YOLOv11是基于 Ultralytics 框架实现的，它依赖于Python环境。Ubuntu 20.04 通常自带Python 3，但我们需要确认pip（Python的包管理工具）已安装并更新到最新版本。

打开你的终端（Terminal），首先更新系统包列表并安装一些基础依赖。虽然这些不全是必须的，但能避免后续很多潜在问题：

sudo apt updatesudo apt upgrade -ysudo apt install python3-pip -y

接着，升级pip到最新版本，以确保安装过程顺畅：

pip3 install --upgrade pip

小贴士： 如果你拥有NVIDIA显卡并希望使用GPU加速（强烈推荐），请确保你已经安装了NVIDIA驱动和CUDA工具包。你可以在终端输入 nvidia-smi 命令来检查驱动状态和CUDA版本。GPU的支持将极大提升YOLOv11的训练与推理速度-1。

第二步：一行命令安装YOLOv11（核心安装步骤）

环境准备好后，安装 YOLOv11 本身变得异常简单。Ultralytics将YOLOv11集成在了其Python库中，我们只需要通过pip进行安装即可。这是最官方、最推荐的安装方式，适用于大多数场景-1。

在终端中执行以下命令：

pip install ultralytics

这个命令会自动安装 Ultralytics 包以及其依赖项，如PyTorch、torchvision等。等待安装完成，你就已经成功在Ubuntu 20.04上安装了YOLOv11框架！

第三步：获取预训练模型权重（准备“知识库”）

安装好框架后，我们需要一个“有知识的”模型来进行目标检测。YOLOv11提供了多种尺寸的预训练模型，例如yolov11n.pt（nano版，速度最快）、yolov11s.pt（small版，速度和精度的平衡）。我们可以使用命令行工具轻松下载-1。

例如，下载yolov11s.pt模型：

curl -L -o yolov11s.pt https://github.com/ultralytics/assets/releases/download/v1.1.0/yolov11s.pt

或者，你可以直接运行推理命令，如果本地没有模型文件，YOLO命令会自动尝试下载对应的模型，非常智能。

第四步：运行你的第一个目标检测（模型测试）

现在是最激动人心的时刻——用一张图片来测试我们的YOLOv11模型。准备一张你喜欢的图片（比如一张包含猫或狗的图片，命名为 test.jpg），并将其放在当前用户目录下（或任意你方便找到的路径）。

然后，在终端中使用YOLO命令行工具进行预测：

yolo predict model=yolov11s.pt source=test.jpg

这条命令会调用我们刚刚下载的 yolov11s.pt 模型，并对 test.jpg 图片进行分析-1。你会在终端看到推理进度，以及检测到的物体信息。检测完成后，结果图片（带有边界框的图片）会保存在 runs/detect/exp 目录下。你可以使用系统自带的图片查看器打开它，看看模型都发现了什么。

第五步：使用Python API进行更灵活的推理

除了使用命令行，在Python脚本中调用YOLOv11更加灵活和强大，方便你将目标检测功能集成到自己的项目中。这也是 Ultralytics 提供的主要方式之一-1-3。

创建一个新的Python文件，例如 detect.py，输入以下代码：

from ultralytics import YOLO# 加载你下载的模型model = YOLO("yolov11s.pt")# 对图片进行推理results = model.predict(source="test.jpg", save=True, show=True)# results包含了所有的检测信息，你可以进一步处理print(results[0].boxes) # 打印出所有检测到的边界框信息

运行这个脚本：

python3 detect.py

如果一切顺利，你应该能看到一个弹窗实时显示检测结果，并且带框的图片也会被自动保存。至此，你已经成功在Ubuntu 20.04上完成了YOLOv11的安装和测试！