### 运行YOLO代码所需的Python依赖项 运行YOLO代码通常需要一系列特定的Python库和工具来支持模型加载、推理以及跟踪等功能。以下是基于提供的引用内容和其他专业知识总结的相关依赖项： #### 1. **基础环境** 为了确保兼容性和稳定性，建议使用满足最低版本要求的Python解释器。 - 配置PyCharm中的Python解释器时需注意：`Python >= 3.8.0`[^1]。 #### 2. **核心框架及相关组件** YOLO系列算法主要依赖于Ultralytics开发的核心库以及其他必要的扩展包： - `ultralytics`: 提供了训练、验证和导出YOLO模型的功能。可以通过pip命令安装此模块。 ```bash pip install ultralytics ``` #### 3. **数据处理与科学计算** 这些库用于图像预处理、标注解析等操作： - `numpy`: 数组运算的基础库，在几乎所有的计算机视觉任务中都会被调用； - `opencv-python`: 实现视频流读取、帧捕获及基本图形绘制功能的关键工具； #### 4. **目标检测评估指标计算** 如果涉及COCO标准下的性能评测，则需要用到下面这段脚本里的方法： ```python from ultralytics import YOLO model = YOLO("./weights/yolo11n.pt") metrics = model.val(data="yamls/coco.yaml", name='val_yolo11n') print(metrics.box.maps) # map50-95 ``` 这里提到的是通过加载权重文件并执行验证流程得到mAP值的过程[^3]。因此还需要确认yaml格式的数据集描述文档可用，并且路径指向正确无误。 #### 5. **物体追踪附加选项** 当项目范围扩大到不仅限于静态图片分类而是动态场景分析时，可能还会引入BoxMOT作为多对象轨迹管理方案的一部分。具体做法可以参考官方指南完成初始化工作之后再激活虚拟envirionment: ```bash cd yolo_tracking pip install poetry poetry install --with yolo # installs boxmot + yolo dependencies poetry shell # activates the newly created environment with the installed dependencies ``` 以上步骤涵盖了从克隆仓库到实际部署demo程序期间所需的一切准备工作[^4]^[]. 最后提醒一下关于git源码获取部分的操作指令序列也非常重要： ```bash git clone https://github.com/AILab-CVC/YOLO-World.git cd /YOLO-World python image_demo.py path/to/config path/to/weights image/path/directory 'person,dog,cat' \ --topk 100 --threshold 0.005 --output-dir demo_outputs ``` 该片段展示了如何指定输入参数从而实现自定义类别筛选效果的同时保存输出成果至指定位置[^5]. 综上所述，完整的Yolo Python Dependencies Required列表至少应包括但不限于以下几个方面：适当版本号以上的Python runtime本身加上前述提及的各项第三方packages组合而成的整体解决方案才能顺利开展后续实验研究活动。