怎么开通网站泉州seo培训

YOLOv13保姆级入门教程(二)：10分钟极速搭建YOLOv13运行环境 | 小白也能看懂的conda环境创建与模型推理！

---

---

📖 前言

Hello，大家好！欢迎来到YOLOv13保姆级教程的第二部分。在上一期《从Anaconda安装到环境配置》中，我们已经成功安装了Anaconda并配置好了国内镜像源。

今天，我们将在此基础上，正式开始为YOLOv13搭建一个专属、隔离的运行环境，并完成所有依赖的安装，最后通过一个简单的推理脚本来验证我们的环境是否配置成功。

(1) 克隆YOLOv13官方代码库

首先，我们需要从GitHub上获取YOLOv13的官方源代码。

1. 创建项目目录 (推荐)
   为了方便管理，我们先创建一个项目文件夹。

   # 在主目录下创建一个名为project的文件夹
   mkdir ~/project
   cd ~/project
   

2. 克隆代码库
   使用git clone命令从官方仓库克隆代码。

   git clone https://github.com/iMoonLab/yolov13.git
   

   小贴士：如果 git clone 速度慢或失败，可以先通过浏览器在GitHub页面点击 Code -> Download ZIP 下载压缩包，然后上传到服务器并解压。
   unzip yolov13-main.zip

3. 进入项目目录

   cd yolov13-main
   

(2) 创建并激活Conda虚拟环境

根据官方README.md的指导，YOLOv13需要Python 3.11版本。我们将为此创建一个独立的Conda环境。

# 创建一个名为yolov13，使用Python 3.11的环境
conda create -n yolov13 python=3.11# 激活刚刚创建的环境
conda activate yolov13

激活成功后，你的终端提示符会从(base)变为(yolov13)，表示当前工作在隔离的yolov13环境中。

(3) 安装依赖包

YOLOv13项目非常贴心地提供了requirements.txt文件，我们可以用pip一键安装绝大部分依赖。

3.1 核心依赖安装

首先，进入克隆下来的yolov13-main目录，然后执行以下命令：

# (yolov13) 表示当前已在yolov13环境中
pip install -r requirements.txt

安装过程中可能会遇到个别包的版本冲突问题，例如onnxruntime-gpu。视频中演示了onnxruntime-gpu==1.18.0版本在清华源找不到的问题。

解决方案：
直接编辑requirements.txt文件，将冲突的包版本修改为镜像源中存在的、较新的兼容版本。例如，将onnxruntime-gpu==1.18.0修改为onnxruntime-gpu==1.18.1。

vim requirements.txt
# 将 onnxruntime-gpu==1.18.0 修改为 onnxruntime-gpu==1.18.1
# 保存退出后重新执行 pip install -r requirements.txt

3.2 安装Flash Attention (可选但推荐)

YOLOv13和YOLOv12一样，支持使用Flash Attention进行加速。如果你的GPU是NVIDIA 30系列或更新的显卡，强烈建议安装。

# 在yolov13-main目录下，首先下载预编译的wheel文件
wget https://github.com/Dao-AILab/flash-attention/releases/download/v2.7.3/flash_attn-2.7.3+cu11torch2.2-cp311-cp311-linux_x86_64.whl# 然后使用pip安装这个本地文件
pip install flash_attn-2.7.3+cu11torch2.2-cp311-cp311-linux_x86_64.whl

注意：下载的.whl文件名需要与你的CUDA版本和Python版本严格对应。这里的cu11代表CUDA 11.x，cp311代表Python 3.11。

3.3 可编辑模式安装YOLOv13

最后，以可编辑模式安装YOLOv13项目本身，这样你对代码的任何修改都能立即生效，方便后续的开发和调试。

pip install -e .

(4) 环境验证

所有依赖安装完毕后，我们需要验证一下环境是否配置成功，尤其是PyTorch和CUDA的兼容性。

1. 进入Python交互环境

   python
   

2. 执行验证代码
   依次输入以下命令：

   import torch
   import torchvision# 检查CUDA是否可用
   print(f"CUDA available: {torch.cuda.is_available()}")
   # >>> CUDA available: True# 查看PyTorch关联的CUDA版本
   print(f"PyTorch CUDA version: {torch.version.cuda}")
   # >>> PyTorch CUDA version: 12.1# 查看cuDNN是否可用
   print(f"cuDNN available: {torch.backends.cudnn.is_available()}")
   # >>> cuDNN available: True# 查看cuDNN版本
   print(f"cuDNN version: {torch.backends.cudnn.version()}")
   # >>> cuDNN version: 8902
   

   确保is_available()都返回True，并且CUDA版本与你的显卡驱动兼容。

(5) 推理验证

最后，我们用一个简单的推理脚本来验证YOLOv13模型是否能正常运行。

1. 创建推理脚本
   在yolov13-main目录下创建一个新文件 predict.py。

2. 粘贴代码
   将以下代码粘贴到文件中：

   from ultralytics import YOLO# 加载预训练的YOLOv13n模型
   model = YOLO('yolov13n.pt')# 对图片进行预测，这里使用官方提供的示例图片
   # 也可以换成你自己的图片路径
   results = model.predict('ultralytics/assets/bus.jpg', save=True)print("Prediction saved!")
   

   说明：YOLO('yolov13n.pt')会自动从网络下载预训练权重。save=True会将检测结果（带标注框的图片）保存在runs/detect/predict/目录下。

3. 运行脚本

   python predict.py
   

   运行成功后，你会看到类似下图的检测结果被保存在了相应目录。

恭喜！到这一步，你的YOLOv13运行环境已经完美配置成功！

---

(6) 总结

本期教程我们完成了YOLOv13环境配置的核心步骤：

1. 克隆了官方代码库。
2. 创建并激活了独立的Conda虚拟环境。
3. 通过requirements.txt高效安装了所有依赖，并解决了可能出现的版本冲突。
4. 成功运行了推理脚本，验证了整个环境的正确性。

现在，你已经拥有了一个可以随时进行YOLOv13模型训练、评估和部署的强大环境。在下一期教程中，我们将开始准备数据集，并进行模型的训练。我们下期再见！