1. 环境搭建

1.1 硬件与操作系统

操作系统：Windows 11
CPU：Intel i7-9700
GPU：NVIDIA RTX 2080（8GB显存）

1.2 安装CUDA和cuDNN

由于YOLOv11依赖PyTorch的GPU加速，需要安装CUDA和cuDNN：

安装CUDA Toolkit：
- 访问 NVIDIA CUDA 下载页面
- 选择 CUDA 11.8（兼容PyTorch 2.0+）
- 运行安装程序，选择默认选项
安装cuDNN：
- 访问 NVIDIA cuDNN 下载页面
- 下载 cuDNN 8.9.0 for CUDA 11.x
- 解压后，将 bin、include、lib 文件夹复制到 C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.8

验证CUDA安装：

nvcc --version
nvcc: NVIDIA (R) Cuda compiler
release 11.8, V11.8.89

1.3 安装Python、Anaconda和PyCharm

安装Python 3.9：
- 从 Python官网下载 Python 3.9.19
- 安装时勾选 "Add Python to PATH"
安装Anaconda：
- 下载 Anaconda
- 安装后，创建YOLOv11专用环境：
```
conda create -n yolov11 python=3.9.19
conda activate yolov11
```
安装PyCharm：
- 下载 PyCharm Community
- 配置Python解释器为 yolov11 环境

2. 数据集准备

2.1 选择1000张无人机图片

drone_dataset/
├── images/
│   ├── train/  # 800张训练图片
│   └── val/    # 200张验证图片
└── labels/├── train/  # 训练集标注（YOLO格式）└── val/    # 验证集标注

2.2 标注数据

作者采用wpf开发的标注工具，点击下载：
标注流程：
- 打开图片文件夹（images/train）
- 选择 YOLO格式 输出
- 标注无人机目标，保存为 .txt 文件（格式：<class_id> <x_center> <y_center> <width> <height>）

3. YOLOv11训练

3.1 安装依赖

pip install torch==2.0.1 torchvision==0.15.2 torchaudio==2.0.2 --index-url https://download.pytorch.org/whl/cu118
pip install ultralytics opencv-python matplotlib

3.2 准备YOLO配置文件

创建 drone.yaml：

path: ./drone_dataset
train: images/train
val: images/val
names:0: drone

下载YOLOv11预训练模型：

wget https://github.com/WongKinYiu/yolov11/releases/download/v0.1/yolov11s.pt

3.3 训练模型

from ultralytics import YOLOmodel = YOLO("yolov11s.pt")  # 加载预训练模型results = model.train(data="drone.yaml",epochs=100,imgsz=640,batch=16,  # RTX 2080适合batch=16device=0,  # 使用GPUoptimizer="SGD",amp=True,  # 混合精度训练project="runs/train",name="drone_exp"
)
关键参

数说明：

batch=16：RTX 2080显存8GB，适合batch=16
imgsz=640：无人机目标较小，建议高分辨率
amp=True：混合精度训练，节省显存

4. WPF可视化验证

将pt模型转出通用模型onnx

from ultralytics import YOLOfrom ultralytics import YOLO
model = YOLO("./runs/detect/train7/weights/best.pt")
model.export(format="onnx", imgsz=(640, 640), simplify=True)

作者使用C#开发了一款程序，能够加载ONNX模型并进行图像检测。