面向 YOLOv5 / YOLOv8 / YOLOv11 的 全流程桌面GUI工具箱。
内置运行环境，告别命令行与依赖地狱——标注 → 数据集校验 → 训练 → 推理检测 → 导出部署，全程可视化点一点搞定。
内置 Python + PyTorch + CUDA运行时 + Ultralytics，解压即用，免安装。
支持 YOLOv5 / YOLOv8 / YOLOv11 · CPU & NVIDIA GPU 自动识别
矩形框标注 / 快捷键操作 / 自动保存 YOLO 格式（images + labels + data.yaml），新人也能 10 分钟上手。
可视化配置：epochs / batch / imgsz / lr / device 选择（CPU/GPU 自动列出），训练 loss & mAP 实时刷新。
支持 图片 / 文件夹批量 / 视频 / 摄像头 四种输入；可调节 conf 与 IoU 阈值，结果一键导出。
训练完直接导出 .onnx，配合外部工具链可走 TensorRT / RKNN 等边缘部署路线。
空标签检测、路径完整性检查、类别统计、自动划分 train/val 比例——避免训练到一半爆 "labels not found"。
解压即跑，不改系统环境变量，不污染全局 Python；重装系统后解压照样能用（只要 CUDA 驱动还在）。
把采集图片放进 dataset/images/，打开「标注模块」框选目标，保存为 YOLO txt。
点「数据集校验」自动扫一遍：缺图/缺标签/类别越界/路径异常，红字直接定位问题。
选模型（yolov8n/s/m/l/x）→ 填 epochs & batch → 选 GPU → 开始。进度条 + 实时曲线。
拖入测试图片或视频看效果；满意就「导出 ONNX」，带走权重去部署。
| 项目 | 最低要求 | 推荐配置 |
|---|---|---|
| 操作系统 | Windows 10 x64 | Windows 11 x64（23H2+） |
| CPU | 4核（支持 AVX） | 6核+（i5/R5 及以上） |
| 内存 | 8GB（训练会紧） | 16GB / 32GB（稳） |
| GPU（可选但强烈建议） | —（纯 CPU 可跑 nano 模型） | GTX 1060 6GB+ / RTX 3060+（6~8GB VRAM 起步） |
| 磁盘 | SSD ≥ 10GB 空闲 | SSD ≥ 50GB 空闲（数据集 + 缓存 + 多版本权重） |
| 驱动 | — | NVIDIA Driver ≥ 527.xx（工具箱自带 CUDA runtime，不需手动装 CUDA Toolkit） |
| 支持模型 | YOLOv5 / YOLOv8 / YOLOv11（n/s/m/l/x 全系列）；自定义 .pt 权重可导入继续训练 | |