YOLOv12 环境配置，手把手教你使用 YOLOv12 训练自己的数据集和推理 (附 YOLOv12 网络结构图)，全文最详细教程
一、YOLOv12介绍
二、YOLO环境配置教程
1、创建虚拟环境
conda create -n yolov12 python=3.11
# 如果存在，删掉已建的虚拟环境
# conda remove -n yolov12 --all
# 或者手动删除
# rm -rf /home/leoking/miniconda3/envs/yolov12
# conda create -n yolov12 python=3.11
# 切换目录
mkdir yolo-test
/home/leoking/app/yolo-test
# 激活环境
conda activate yolov12
# 退出环境
conda deactivate2、查看限制支持的cuda版本
nvidia-smi
(yolov12) leoking@leoking-desktop:~/app/yolo-test$ nvidia-smi
Sat May 10 15:02:51 2025
+-----------------------------------------------------------------------------------------+
| NVIDIA-SMI 560.35.05 Driver Version: 560.35.05 CUDA Version: 12.6 |
|-----------------------------------------+------------------------+----------------------+
| GPU Name Persistence-M | Bus-Id Disp.A | Volatile Uncorr. ECC |
| Fan Temp Perf Pwr:Usage/Cap | Memory-Usage | GPU-Util Compute M. |
| | | MIG M. |
|=========================================+========================+======================|
| 0 NVIDIA L20 Off | 00000000:A8:00.0 Off | 0 |
| N/A 49C P8 30W / 350W | 4MiB / 46068MiB | 0% Default |
| | | N/A |
+-----------------------------------------+------------------------+----------------------+
+-----------------------------------------------------------------------------------------+
| Processes: |
| GPU GI CI PID Type Process name GPU Memory |
| ID ID Usage |
|=========================================================================================|
| No running processes found |
+-----------------------------------------------------------------------------------------+
(yolov12) leoking@leoking-desktop:~/app/yolo-test$
可以看到我的服务器最高支持 cuda 版本是12.6，所以可以安装向下版本的 cuda, 那么知道这个有什么用，当然有用，可以看到 pytorch 官网安装命令都带有 cuda 的版本号。
假设你的电脑都不支持这么高的cuda版本，你装了 pytorch 那么你就用不了 GPU 了。如果你电脑支持 cuda 太低，你可以更新英伟达驱动，安装非常简单，直接在英伟达官网下载驱动安装即可。
3、pytorch 安装
官网安装的 pytorch 是 2.2.2 的版本：
电脑有英伟达显卡就安装带 cuda 的pytorch，电脑没有显卡则安装 cpu 的pytorch，去pytorch 官网找合适版本复制命令安装即可。官网地址：https://pytorch.org/get-started/previous-versions/ ,复制命令的时候 -c 后面不用复制；
# CUDA 11.8
conda install pytorch==2.2.2 torchvision==0.17.2 torchaudio==2.2.2 pytorch-cuda=11.8 -c pytorch -c nvidia
# CUDA 12.1
conda install pytorch==2.2.2 torchvision==0.17.2 torchaudio==2.2.2 pytorch-cuda=12.1 -c pytorch -c nvidia
# CPU Only
conda install pytorch==2.2.2 torchvision==0.17.2 torchaudio==2.2.2 cpuonly -c pytorch
conda install pytorch==2.2.2 torchvision==0.17.2 torchaudio==2.2.2 pytorch-cuda=12.1 --index-url=https://mirrors.aliyun.com/pypi/simple/安装 cuda 11.8:
# CUDA 11.8
conda install pytorch==2.2.2 torchvision==0.17.2 torchaudio==2.2.2 pytorch-cuda=11.8 -c pytorch -c nvidia如果通过命令安装不了，则需要手动下载相关的包，然后上传安装；
4、验证 Pytorch GPU 是否可用
安装完成后，测试 GPU 是否可用，如果输出为 True 则表示 GPU 可以使用，要是输出 False 代表不可以使用GPU 加速，输出 False 也是可以使用的，一般 CPU 训练会很慢，慢到你怀疑人生那种，不过用来推理还是可以的。要是没有显卡租一个服务器训练模型就行，如果这个反响比较大，我也会出一期在服务器怎么训练的教程。
复制下面命令到终端即可：
# 在终端输入 python
python
# 验证---
import torch
print(torch.__version__)
print(torch.cuda.is_available())
print(torch.cuda.device_count())
5、下载模型
输入下列命令下载 yolov12 模型同时进入项目中
cd
/home/leoking/app/yolo-test/
git clone https://github.com/sunsmarterjie/yolov12.git
下载模型依赖包
cd yolov12
pip install -r requirements.txt出现报错，重新使用命令下载包同时换源加速：
wget https://github.com/Dao-AILab/flash-attention/releases/download/v2.7.3/flash_attn-2.7.3+cu11torch2.2cxx11abiFALSE-cp311-cp311-linux_x86_64.whl切换为清华镜像源：
pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple继续下载其他依赖包
pip install -e .
报错信息：
(base) leoking@leoking-desktop:~/app/yolo-test/yolov12$ pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple
Looking in indexes: https://pypi.tuna.tsinghua.edu.cn/simple
ERROR: flash_attn-2.7.3+cu11torch2.2cxx11abiFALSE-cp311-cp311-linux_x86_64.whl is not a supported wheel on this platform.
执行报错：
conda activate yolov12
cd yolov12
python app.py报错信息：
(base) leoking@leoking-desktop:~/app/yolo-test/yolov12$ conda activate yolov12
(yolov12) leoking@leoking-desktop:~/app/yolo-test/yolov12$ python app.py
Traceback (most recent call last):
File "/home/leoking/app/yolo-test/yolov12/app.py", line 6, in <module>
import gradio as gr
ModuleNotFoundError: No module named 'gradio'
(yolov12) leoking@leoking-desktop:~/app/yolo-test/yolov12$
安装依赖：
# pip install gradio
conda install -c conda-forge gradio
pip install opencv-python -i https://pypi.tuna.tsinghua.edu.cn/simple
pip install thop -i https://pypi.tuna.tsinghua.edu.cn/simple
pip install psutil -i https://pypi.tuna.tsinghua.edu.cn/simple切换 numpy 版本：
pip uninstall numpy
pip install "numpy<2.0"
或者：
#pip install numpy==1.26.4然后重启运行环境：
conda deactivate
conda activate yolov12
cd /home/leoking/app/yolo-test/yolov12
python app.py
# 配置环境
# /home/leoking/miniconda3/envs/yolov12/安装JupyterLab
# 推荐使用 conda-forge 通道，确保获取的是最新且兼容性最好的版本。
conda install -c conda-forge jupyterlab好的，我们来一步一步配置你的 JupyterLab，使其能 指定数据目录、启用 token 登录，并可用于 远程访问（如通过公网/内网 IP）。
✅ 1. 生成默认配置文件
首先生成配置文件（如果还没有）：
jupyter lab --generate-config默认会生成文件：
~/.jupyter/jupyter_lab_config.py✅ 2. 设置默认工作目录（数据存储路径）
假设你希望 JupyterLab 启动后默认进入 /home/leoking/app/data/cvtest 目录：
编辑配置文件：
#nano ~/.jupyter/jupyter_lab_config.py
vim ~/.jupyter/jupyter_lab_config.py
找到（或添加）以下一行，取消注释并设置路径：
c.ServerApp.root_dir = '/home/leoking/app/data/cvtest'注意：JupyterLab 3.x 以后用的是
ServerApp，早期版本是NotebookApp，建议用ServerApp。
✅ 3. 启用 token 登录（默认就是启用）
确认以下内容：
# 自定义token：LK888
c.ServerApp.token = 'your_custom_token_here'如果你希望每次随机生成，可以设置为：
c.ServerApp.token = ''✅ 4. 开放远程访问（默认只监听 localhost）
你需要让 Jupyter 可以通过其他 IP 访问：
c.ServerApp.ip = '0.0.0.0' # 或你的具体内网 IP，比如 '192.168.1.100'
c.ServerApp.port = 8888 # 默认端口，也可以改为其它
c.ServerApp.open_browser = False✅ 6. 启动 JupyterLab
激活环境后启动：
#jupyter lab
nohup jupyter lab --config=~/.jupyter/jupyter_lab_config.py > jupyterlab.log 2>&1 &
# 查看进程如果你配置了 c.ServerApp.ip = '0.0.0.0'，你可以通过远程浏览器访问：
http://192.168.50.22:8888/lab
查看 cuda 配置
Yolo12测试
!pip install ultralytics
from ultralytics import YOLO
# Load a COCO-pretrained YOLO12n model
model = YOLO("yolo12n.pt")
# Train the model on the COCO8 example dataset for 100 epochs
# results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Run inference with the YOLO12n model on the 'bus.jpg' image
# results = model("path/to/bus.jpg")
results = model("./datasets/sz_road_short.mp4", save=True,show=True, visualize=True, device='cuda:0')
---
from ultralytics import YOLO
# 目标跟踪 Track
model = YOLO("yolo12n.pt")
# Perform tracking with the model
results = model.track("/content/sz_road_short.mp4", show=True, save=True) # Tracking with default tracker
查看GPU是否可用
import torch
print("CUDA available:", torch.cuda.is_available())
print("CUDA device count:", torch.cuda.device_count())
print("CUDA device name:", torch.cuda.get_device_name(0) if torch.cuda.is_available() else "No CUDA")
--
输出：
CUDA available: True
CUDA device count: 1
CUDA device name: NVIDIA L20
查看在推理的时候是否有应用GPU：
#方法 1：手动打印当前模型设备
print("Model will run on device:", model.device)
Model will run on device: cuda:0
# 方法 2：使用 torch 显式检查张量运行在哪个设备上
# 在推理后加：
print("Result tensor device:", results[0].boxes.data.device)
Result tensor device: cuda:0
相关文章：
YOLOv12环境配置，手把手教你使用YOLOv12训练自己的数据集和推理(附YOLOv12网络结构图)，全文最详细教程
YOLOv12论文模型解析 | 手把手带你零基础看懂yolov12的网络结构（附手绘超详细网络结构图）
YOLOv12部署教程 —42%速度提升，让高效目标检测触手可及
为者常成，行者常至
自由转载-非商用-非衍生-保持署名（创意共享3.0许可证）
