YOLOv12本地部署教程——42%速度提升，让高效目标检测触手可及

YOLOv12 是“你只看一次”（You Only Look Once, YOLO）系列的最新版本，于 2025 年 2 月发布。它引入了注意力机制，提升了检测精度，同时保持了高效的实时性能。在保持速度的同时，显著提升了检测精度。例如，YOLOv12-N 在 T4 GPU 上的推理延迟为 1.64 毫秒，平均精度（mAP）达到 40.6%，相比 YOLOv10-N 和 YOLOv11-N 分别提升了 2.1% 和 1.2%

YOLOv12 作为 YOLO 系列的最新迭代，首次将注意力机制深度融入单阶段检测框架，通过三大关键技术实现性能飞跃：

• 区域注意力模块（A2）：通过特征图分块与重塑操作，将全局注意力的计算复杂度从二次方降至线性，同时保留大感受野，兼顾效率与精度。
• 残差高效层聚合网络（R-ELAN）：引入块级残差连接与动态缩放技术，解决传统ELAN的梯度阻塞问题，提升训练稳定性与特征融合能力。
• 极简架构设计：移除位置编码、降低MLP扩展比、减少堆叠块深度，结合FlashAttention优化内存访问效率，推理速度较YOLOv9提升42%。

在性能方面更是全面碾压前代模型，在 MS COCO 基准测试中，YOLOv12展现出显著优势：

• 小型模型（YOLOv12-N）：以40.6% mAP超越YOLOv10-N（38.5%），延迟仅1.64毫秒/图像。
• 中型模型（YOLOv12-S）：48.0% mAP，较YOLOv8-S提升3.0%，计算量降低至21.4G FLOPs。
• 跨任务兼容性：支持实例分割、姿态估计等扩展任务，在复杂场景（如遮挡、低光照）中检测精度提升15%以上。

与基于 Transformer 的 RT-DETR 相比，YOLOv12-S 快42%、仅需36%计算资源，在实时性与部署成本上占据绝对优势。

接下来就为大家奉上详细的 YOLOv12 本地部署教程，手把手教你如何将模型部署到你的项目中，轻松享受高性能AI带来的便利。

二、部署流程

环境推荐配置

系统：Ubuntu22.04，

显卡：4090，

显存：24G，cuda11.8

1. 基础环境

查看系统是否有Miniconda3的虚拟环境

conda -V

如果输入命令没有显示Conda版本号，则需要安装。

2.更新系统命令

输入下列命令将系统更新及系统下载

apt-get update && apt-get install ffmpeg libsm6 libxext6  -y

3.创建虚拟环境

创建名称为“yolov12”的虚拟环境并激活

conda create -n yolov12 python=3.11 -y
conda activate yolov12

4.下载模型

输入下列命令下载yolov12模型同时进入项目中

git clone https://gitclone.com/github.com/sunsmarterjie/yolov12.git 
cd yolov12/

5.下载模型依赖包

输入下列命令：

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

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 .

三、网页演示

在本地运行Gradio应用程序，使用下列命令运行项目呈现模型的成功界面

python app.py

打开网址：