Ubuntu20.04 安装YOLOV11

### 安装配置YOLOv1于Ubuntu 20.04

#### 创建合适的开发环境

对于在Ubuntu 20.04上安装YOLOv1，首先需要确保系统的更新至最新状态。这可以通过运行`sudo apt update && sudo apt upgrade`来完成。

为了使YOLOv1能够充分利用GPU加速，在此之前应先安装NVIDIA显卡驱动程序以及设置CUDA工具包和cuDNN库。尽管提到的是针对YOLOv8的环境构建[^1]，这些步骤同样适用于YOLOv1项目。具体来说：

- **安装显卡驱动**：遵循官方指南或使用特定版本的.deb文件进行安装。
- **安装CUDA**：选择适合YOLOv1需求的CUDA版本；注意不同模型可能有不同的兼容性要求。
- **安装cuDNN**：通过下载并执行`.deb`软件包的方式简化安装过程，例如命令`sudo dpkg -i cudnn-local-repo-ubuntu2004-8.8.0.121_1.0-1_amd64.deb`可以用于安装指定版本的cuDNN[^2]。

#### 准备Python环境

考虑到代码管理和依赖项隔离的重要性，建议采用Anaconda管理多个Python环境。按照如下方式操作：

- 使用Conda创建一个新的虚拟环境，并将其命名为`yolov1_env`或其他自定义名称。

  conda create --name yolov1_env python=3.7

- 接下来激活这个新建立的环境

  conda activate yolov1_env

此时已经准备好了一个干净的工作空间来进行后续工作。

#### YOLOv1的具体安装流程

由于YOLOv1并非基于PyTorch框架实现而是Darknet框架的一部分，因此不需要像处理YOLOv8那样特别去安装PyTorch。相反，应该关注以下几个方面：

- 下载原始作者Joseph Redmon发布的预训练权重文件与对应的配置文件（cfg）。可以从GitHub仓库获取最新的资源链接。
- 编译Darknet源码以适应个人硬件条件。如果打算利用GPU支持，则需确认Makefile中的选项已正确设定以便启用CUDA功能。
- 测试安装是否成功的方法之一就是尝试加载上述提及到的一个预训练网络并对测试图像执行推理运算。

import cv2 as cv
from darknet import performDetect

image_path = "path/to/your/image.jpg"
results = performDetect(imagePath=image_path, configPath="yolo-voc.cfg", weightPath="yolo-voc.weights")

for detection in results:
    label = detection['label']
    confidence = detection['confidence']
    bounds = detection['boundingBox']
    
    print(f"{label}: {confidence:.2f}")

这段简单的脚本展示了如何调用Darknet API对图片实施目标检测任务。