1. 環境搭建

1.1 硬件與操作系統

• 操作系統：Windows 11

• CPU：Intel i7-9700

• GPU：NVIDIA RTX 2080（8GB顯存）

1.2 安裝CUDA和cuDNN

由于YOLOv11依賴PyTorch的GPU加速，需要安裝CUDA和cuDNN：

1. 安裝CUDA Toolkit：

   • 訪問?NVIDIA CUDA 下載頁面

   • 選擇?CUDA 11.8（兼容PyTorch 2.0+）

   • 運行安裝程序，選擇默認選項

2. 安裝cuDNN：

   • 訪問?NVIDIA cuDNN 下載頁面

   • 下載?cuDNN 8.9.0 for CUDA 11.x

   • 解壓后，將?bin、include、lib?文件夾復制到?C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.8

3. 驗證CUDA安裝：

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

1.3 安裝Python、Anaconda和PyCharm

1. 安裝Python 3.9：

   • 從?Python官網?下載?Python 3.9.19

   • 安裝時勾選?"Add Python to PATH"

2. 安裝Anaconda：

   • 下載?Anaconda

   • 安裝后，創建YOLOv11專用環境：

     conda create -n yolov11 python=3.9.19
     conda activate yolov11

3. 安裝PyCharm：

   • 下載?PyCharm Community

   • 配置Python解釋器為?yolov11?環境

---

2. 數據集準備

2.1 選擇1000張無人機圖片

drone_dataset/
├── images/
│   ├── train/  # 800張訓練圖片
│   └── val/    # 200張驗證圖片
└── labels/├── train/  # 訓練集標注（YOLO格式）└── val/    # 驗證集標注

2.2 標注數據

1. 作者采用wpf開發的標注工具，點擊下載：

2. 標注流程：

   • 打開圖片文件夾（images/train）

   • 選擇?YOLO格式?輸出

   • 標注無人機目標，保存為?.txt?文件（格式：<class_id> <x_center> <y_center> <width> <height>）

---

3. YOLOv11訓練

3.1 安裝依賴

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 準備YOLO配置文件

1. 創建?drone.yaml：

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

2. 下載YOLOv11預訓練模型：

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

3.3 訓練模型

from ultralytics import YOLOmodel = YOLO("yolov11s.pt")  # 加載預訓練模型results = model.train(data="drone.yaml",epochs=100,imgsz=640,batch=16,  # RTX 2080適合batch=16device=0,  # 使用GPUoptimizer="SGD",amp=True,  # 混合精度訓練project="runs/train",name="drone_exp"
)
關鍵參

數說明：

• batch=16：RTX 2080顯存8GB，適合batch=16

• imgsz=640：無人機目標較小，建議高分辨率

• amp=True：混合精度訓練，節省顯存

---

4. WPF可視化驗證

將pt模型轉出通用模型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#開發了一款程序，能夠加載ONNX模型并進行圖像檢測。

---

5. 常見問題

Q1: CUDA報錯 "out of memory"

• 解決方案：降低?batch?大小（如?batch=8）

Q2: 標注數據不準確

• 解決方案：使用?Roboflow?自動增強數據集

Q3: WPF調用Python模型慢

• 優化方案：改用?ONNX Runtime?或?TensorRT?加速

---

6. 總結

本文詳細介紹了在?Windows 11 + RTX 2080?環境下：

1. 配置CUDA/cuDNN + Python環境

2. 標注1000張無人機數據集

3. 訓練YOLOv11模型

4. 使用WPF開發可視化檢測程序