【深度学习之YOLO8】环境部署_yolov8部署

最新推荐文章于 2024-04-24 11:47:11 发布
最新推荐文章于 2024-04-24 11:47:11 发布
阅读量940 收藏 12
点赞数 22
分类专栏： 程序员 文章标签： 深度学习 YOLO 人工智能
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/2401_84003690/article/details/138053442
版权

配置Python环境变量

创建conda环境

配置CUDA环境变量

配置cuDNN文件

下载安装PythonSDK

拉取yolo8 GitHub项目到本地

Anaconda安装

下载安装CUDA toolkit

下载PyTorch

下载cuDNN

环境测试

除了拉取代码不需要验证，其他都需要自己check下到底是不是真安装成功了

一、确定版本

CUDA toolkit、cuDNN版本

  1. 查看显卡的CUDA支持的最高版本，我的是12.2.79，后面安装的CUDA toolkit和cuDNN大版本不能超过它
    在这里插入图片描述
  2. 进PyTorch官网，查看支持的CUDA最高版本，即：我的电脑torch是最高支持11.8的CUDA
    在这里插入图片描述

由以上两点，得出安装的CUDA、cuDNN不能超11.8，那我后面这俩安装<=11.8

Python、PyTorch版本

torch、python各版本兼容情况表

torchtorchvisionPython
main / nightlymain / nightly>=3.8, <=3.11
2.00.15>=3.8, <=3.11
1.130.14>=3.7.2, <=3.10
1.120.13>=3.7, <=3.10
1.110.12>=3.7, <=3.10
1.100.11>=3.6, <=3.9
1.90.10>=3.6, <=3.9
1.80.9>=3.6, <=3.9
1.70.8>=3.6, <=3.9
1.60.7>=3.6, <=3.8
1.50.6>=3.5, <=3.8
1.40.5==2.7, >=3.5, <=3.8
1.30.4.2 / 0.4.3==2.7, >=3.5, <=3.7
1.20.4.1==2.7, >=3.5, <=3.7
1.10.3==2.7, >=3.5, <=3.7
<=1.00.2==2.7, >=3.5, <=3.7

上面有CUDA、cuDNN版本<=11.8

再在进PyTorch官网，预览一下DUDA<=11.8的有哪些


考虑到后面可能会用到其他组件，相互兼容的不是特别及时，所以我选了11.6的CUDA，看到PyTorch有1.13.0支持CUDA11.6的，那么在上面 torch、python各版本兼容情况表 里可以得出：我的电脑CUDA、duDNN、PyTorch它们三个，和Python互相兼容的py版本范围是3.7.2 ~ 3.10
所以，py版本不宜过高，基本都是向下兼容，YOLO5的默认SDK版本是3.7，YOLO8的默认SDK版本是3.8

最终版本选择

名版本号
Python3.8.0
CUDA toolkit11.6.0
cuDNN11.x
PyTorch1.13.0
TorchAudio0.13.0
TorchVision0.14.0

二、安装Python

下载

已经有Python的需要卸载干净，去官网找自己对应版本的安装包(要卸载哪个就找哪个版本的exe安装包)，比如找3.8.0的，下载运行点击Uninstall进行卸载



电脑无Python残留，或没有安装过Python，进官网版本列表下载自己要的版本，一路确认即可，尽量是不要安在有中文的路径下，后面的安装也是

环境变量

将Python安装目录和里面的Scripts文件夹路径放在Path里



C:\Users\Administrator\AppData\Local\Programs\Python\Python38
C:\Users\Administrator\AppData\Local\Programs\Python\Python38\Scripts

验证安装

win+r后键入cmd确认，出现版本号

python -V
或者
python --version

在这里插入图片描述

三、安装Anaconda

一个易于安装的包管理器、环境管理器和 Python 发行版，包含 1,500 多个开源包，并提供 免费社区支持。Anaconda与平台无关，因此无论在Windows、macOS还是Linux上都可以使用它，与它类似的有pip。

安装

进Anaconda官网，点下载，无脑下一步即可

环境变量

将以下四个路径添加进Path
在这里插入图片描述

验证安装

conda -V

创建conda虚拟环境

后面的操作都是基于这个虚拟环境，最好是用管理员打开终端

CommandNotFoundError: Your shell has not been properly configured to use ‘conda activate
第一次激活环境，可能有这个错误，根据提示使用conda init，重启cmd。或者使用source activate env_name使环境可用。

# 创建虚拟环境
conda create -n yolov8 python=3.8.0
# 激活虚拟环境(切换至这个环境)
conda activate yolov8
# 查看已创建的虚拟环境
conda info -e

常用命令

# 查看版本
conda --version # 或者 conda -V
# 更新conda
conda update conda
# 更新Anaconda
conda update Anaconda
# 查看环境配置
conda config --show
# 查看安装了哪些包
conda list
# 查看Anaconda仓库有没有这个想要的包
conda search package_name
# 新增镜像channel
conda config --add channels mirrors_url
# 移除镜像channel
conda config --add channels mirrors_url
# 查看配了哪些镜像channel
conda config --show channels
# 设置清华镜像
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/bioconda/
# 设置bioconda
conda config --add channels bioconda
conda config --add channels conda-forge
# 设置搜索时显示通道地址
conda config --set show_channel_urls yes
# 创建虚拟环境
conda create -n env_name python=3.8
# 查看虚拟环境
conda env list #或conda info -e 或conda info --envs
# 激活虚拟环境
conda activate env_name
# 退出当前虚拟环境
conda deactivate
# 删除虚拟环境
conda remove -n env_name --all
# 安装包(在当前虚拟环境)
conda install package_name=package_version
# 更新包(在当前虚拟环境)
conda update package_name
# 删除包(在当前虚拟环境)
conda remove --name env_name  package_name
# 卸载包
conda uninstall package_name
# 增量卸载包(如果有虚拟环境在用，会跳过这个小包，就是不全卸载)
conda uninstall package_name --force
# 删除没有在用的包
conda clean -p
# 清理缓存
conda clean -y -all
# 变更Python版本
conda install python=3.5 #升级到最新版conda update python
# 查看配置文件地址 (默认`C:\Users\用户名\.condarc`)
conda info #user config file那行
# conda初始化
conda init

四、安装CUDA toolkit

下载

官网下载，跳转翻阅之前版本，找到CUDA-11.6.0下载




安装，注意下面两步，其他默认


环境变量

默认安装在：C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.6
Path加入下面这5个路径（安装默认配了bin和libnvvp）。
在这里插入图片描述

验证安装

cmd窗口输入：nvcc -V
在这里插入图片描述

或者
cmd切换CUDA安装目录，进extras/demo_suite目录，执行里面的bandwidthTest.exe，再执行deviceQuery.exe，结果显示PASS即是成功
在这里插入图片描述

五、配置cuDNN

通俗点讲，cuDNN就是CUDA toolkit的一个补丁，深度学习需要这个补丁才能使用API驱动GPU的CUDA

下载

进官网，需要登陆NVIDIA账号，并且注册成开发者，完成后进入下载界面

解压，全选复制，黏贴到CUDA安装目录，全部"是"即可


验证配置 cuDNN的验证放在后面

六、安装PyTorch(torch+torchversion+torchaudio)

一种开源深度学习框架，以出色的灵活性和易用性著称。

下载

打开cmd，进入之前创建的虚拟环境yolov8，复制torch官网conda语句，安装PyTorch

在这里插入图片描述
官网安装PyTorch语句在这，一定要看好自己需要哪个torch版本、cuda版本

conda activate yolov8
# -c pytorch可以去掉，即不指定pytorch官方channel下载，国内快一点
conda install pytorch==1.13.0 torchvision==0.14.0 torchaudio==0.13.0 pytorch-cuda=11.6 -c nvidia
# 或者pip下载 (2选1)
pip install torch==1.13.0+cu116 torchvision==0.14.0+cu116 torchaudio==0.13.0 --extra-index-url https://download.pytorch.org/whl/cu116

如果有CondaHTTPError: HTTP 000 CONNECTION FAILED for url ...的错误， 修改conda配置文件，把下面内容全部替换掉原来的，重启命令行，进环境再install一下
配置文件默认地址C:\Users\{用户名}\.condarc

show\_channel\_urls: true
channels:
  - http://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/
  - http://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
  - http://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
ssl\_verify: false

channels：镜像源
ssl_verify：关闭SSL安全认证
show_channel_urls：从channel安装某个包时，显示channel的url

验证torch安装

官方验证，进cmd，进python环境，输入下面三行，看打印结果

import torch
x = torch.rand(5, 3)
print(x)

# 样例输出
 **自我介绍一下，小编13年上海交大毕业，曾经在小公司待过，也去过华为、OPPO等大厂，18年进入阿里一直到现在。**

**深知大多数Python工程师，想要提升技能，往往是自己摸索成长或者是报班学习，但对于培训机构动则几千的学费，着实压力不小。自己不成体系的自学效果低效又漫长，而且极易碰到天花板技术停滞不前！**

**因此收集整理了一份《2024年Python开发全套学习资料》，初衷也很简单，就是希望能够帮助到想自学提升又不知道该从何学起的朋友，同时减轻大家的负担。**

![img](https://img-blog.csdnimg.cn/img_convert/6dcc0862029bb4ce5e64dccbe9b26403.png)

![img](https://img-blog.csdnimg.cn/img_convert/1aac9d2452a37fb561c760f533b439a4.png)

![img](https://img-blog.csdnimg.cn/img_convert/f32e7828450c905cd17f48b449814106.png)

![img](https://img-blog.csdnimg.cn/img_convert/16caff78e9822d832e3dcdb4e56fa9da.png)

![img](https://img-blog.csdnimg.cn/img_convert/6c361282296f86381401c05e862fe4e9.png)

![img](https://img-blog.csdnimg.cn/img_convert/9f49b566129f47b8a67243c1008edf79.png)

**既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，基本涵盖了95%以上前端开发知识点，真正体系化！**

**由于文件比较大，这里只是将部分目录大纲截图出来，每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频，并且后续会持续更新**

**如果你觉得这些内容对你有帮助，可以扫码获取！！！（备注：Python）**

ython开发全套学习资料》，初衷也很简单，就是希望能够帮助到想自学提升又不知道该从何学起的朋友，同时减轻大家的负担。**

[外链图片转存中...(img-ar9LUteg-1713725825742)]

[外链图片转存中...(img-kLkOtPh8-1713725825743)]

[外链图片转存中...(img-RiODjwHL-1713725825744)]

[外链图片转存中...(img-PjVyG7WX-1713725825744)]

![img](https://img-blog.csdnimg.cn/img_convert/6c361282296f86381401c05e862fe4e9.png)

![img](https://img-blog.csdnimg.cn/img_convert/9f49b566129f47b8a67243c1008edf79.png)

**既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，基本涵盖了95%以上前端开发知识点，真正体系化！**

**由于文件比较大，这里只是将部分目录大纲截图出来，每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频，并且后续会持续更新**

**如果你觉得这些内容对你有帮助，可以扫码获取！！！（备注：Python）**

![](https://img-blog.csdnimg.cn/img_convert/7470228b33451cf2e145759f5e5ae7a6.jpeg)
2401_84003690
关注
  • 22
    点赞
  • 踩
  • 12
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
源代码：yolov5模型部署到web端
06-28
源代码：yolov5模型部署到web端，文档齐全，包含如何安装环境，如何运行项目，如何使用。 适合人群：学生、具备一定编程基础，工作1-3年的研发人员、想入门人工智能的爱好者、科研人员 能学到什么：可以快速出效果。...
YOLOV8从环境部署（GPU版本）到模型训练——专为小白设计一看就懂
m0_63330473的博客
10-14 1万+
YOLOV8从环境部署（GPU版本）到模型训练——专为小白设计一看就懂
YOLOV8模型训练+部署（实战）
热门推荐
AI小花猫的博客
06-07 5万+
YOLOV8模型改进点简介、模型转ONNX以及TRT engine、python版本TRT推理、C++版本TRT推理详解
Yolov8使用gpu训练环境搭建教程
最新发布
编程之路，勇攀技术高峰！
04-24 806
当初我也曾在搭建Yolov8的GPU环境上遇到了不少挑战，但经过耐心的测试和实践，终于成功了！在这里，我想分享我的经验，让其他小伙伴少走弯路。首先，确保你的GPU驱动程序已经正确安装并且与CUDA兼容。检查CUDA和cuDNN的版本，与你要使用的Yolov8版本相匹配。接着，安装适用于GPU的PyTorch。你可以通过PyTorch官方网站找到与你的CUDA版本相匹配的PyTorch安装命令。然后，下载Yolov8的源代码，并根据README文件中的说明进行配置。
YOLOv8 windows下的离线安装 offline install 指南 -- 以 带有CUDA版本的pytorch 为例
shiter编写程序的艺术
10-12 626
YOLOv8 windows下的离线安装 offline install 指南 -- 以 带有CUDA版本的pytorch 为例
智慧交通基于YOLOv8的行人车辆检测计数系统源码(部署教程+训练好的模型+各项评估指标曲线).zip
08-22
智慧交通基于YOLOv8的行人车辆检测计数系统源码(部署教程+训练好的模型+各项评估指标曲线).zip 平均准确率：0.91 类别：person、truck、car、bus、traffic light 【资源介绍】 1、ultralytics-main ultralytics-...
基于YOLOv8+pyqt5实现的过马路玩手机打电话检测告警系统源码(GUI界面+数据集+模型+评估曲线+部署说明).zip
08-11
基于YOLOv8+pyqt5实现的过马路玩手机打电话检测告警系统源码(GUI界面+数据集+模型+评估曲线+部署说明) 检测斑马线、玩手机、打电话、行人、车辆、其他。简易的GUI界面，含有训练好的模型、评估指标曲线、数据集、...
智慧农业基于YOLOv8的香蕉成熟度分级识别系统源码(部署教程+训练好的模型+各项评估指标曲线).zip
08-22
智慧农业基于YOLOv8的香蕉成熟度分级识别系统源码(部署教程+训练好的模型+各项评估指标曲线).zip 平均准确率：0.905 类别：very-ripe、immature、mid-ripe 【资源介绍】 1、ultralytics-main ultralytics-main为...
模型部署+目标检测YOLOv5+tensorrt加速 - int8量化
02-27
本文主要讲述WIn10下在VS工程中通过Opencv部署yolov5模型，步骤包括： 1.python环境下通过export.py导出.onnx模型 2.C++环境下通过tensorrt进行模型导入和调用，过程中实现int8量化加速 适合刚开始部署模型的...
YOLOv8推理详解及部署实现
周同学的博客
11-07 9101
YOLOv8推理详解及部署实现
yolov8实战第一天——yolov8部署并训练自己的数据集（保姆式教程）
qq_34717531的博客
12-15 1万+
YOLOv8是一种基于深度神经网络的目标检测算法，它是YOLO（You Only Look Once）系列目标检测算法的最新版本。YOLOv8的主要改进包括：更高的检测精度：通过引入更深的卷积神经网络和更多的特征层，YOLOv8可以在保持实时性的同时提高检测精度。更快的检测速度：通过对模型进行优化，YOLOv8可以在不降低检测精度的情况下提高检测速度。支持更多的检测任务：除了传统的物体检测任务之外，YOLOv8还支持人脸检测、车辆检测等更多的检测任务。
yolov8实战第三天——yolov8TensorRT部署（python推理）（保姆教学）
qq_34717531的博客
12-26 6145
TensorRT是一种，可以为深度学习应用提供的部署推理。TensorRT可用于对超大规模数据中心、嵌入式平台或自动驾驶平台进行推理加速。TensorRT现已能支持TensorFlow、Caffe、Mxnet、Pytorch等几乎所有的深度学习框架，将TensorRT和NVIDIA的GPU结合起来，能在几乎所有的框架中进行快速和高效的部署推理。一般的深度学习项目，训练时为了加快速度，会使用多GPU分布式训练。
Ultralytics（YoloV8）开发环境配置，训练，模型转换，部署全流程测试记录
千人斩的博客
10-04 4621
Ultralytics（YoloV8）开发环境配置，训练，模型转换，部署全流程测试记录
【目标检测】保姆级别教程从零开始实现基于Yolov8的一次性筷子实时计数，从数据集构建到模型训练与部署，手把手教学
TUSTer_的博客
11-23 4552
最近事情比较少，无意间刷到群聊里分享的基于百度飞浆平台的一次性筷子检测，感觉很有意思，恰巧自己最近在学习Yolov8，于是看看能不能复现，自己也是新手小白，会说的比较详细，适合小白入手。
【深度学习之YOLO8】环境部署
愿Bug与你同在
07-20 1万+
【深度学习之YOLO8】环境部署
【YOLO】朴实无华的yolov5环境配置（一）
Explore_Zhou
05-13 3377
最近有一个项目需要用到目标识别，于是我一下子就想到了大名鼎鼎的yolo，于是花了一天时间了解了一下。但是很遗憾的是，， 随后就去网上找一些配置教程，但是很遗憾的是听着很大气，但感觉大部分都是废话，效率不高且不够准确。于是打算根据自己的经验搓一个教程。
【深度学习】YOLOV5-WIN10环境搭建（配置+训练
m0_62556048的博客
07-01 8069
win10 基于anaconda和pytorch的YOLOV5深度学习环境配置
YOLOV8项目部署
weixin_72608251的博客
03-25 2125
自定义数据集我们在项目下创建一个datasets文件夹数据结构如下所示：我们按照上面创建目录结构，将对应的数据放进去我在这里只是演示，所以放的少修改数据集的路径我们复制一下这个文件，制作一个我们的配置文件修改类别数我们像上次一样复制这个文件，将后面的数字修改为自己的类别数OK，至此数据集制作完毕。
yolov8从头部署
08-23
要从头部署yolov8，可以按照以下步骤进行操作： 1. 首先，打开cmd并进入之前创建的虚拟环境yolov8。你可以使用以下命令来进入虚拟环境： ``` conda activate yolov8 ``` 2. 接下来，复制从PyTorch官网获取的conda安装语句，并在虚拟环境中安装PyTorch，以便使用yolov8所需的依赖项。你可以使用类似以下命令进行安装： ``` conda install pytorch torchvision torchaudio cudatoolkit=11.1 -c pytorch ``` 3. 在进行新项目之前，打开之前克隆下来的yolov8 GitHub项目。确保将其配置到上面创建的conda环境yolov8中。你可以使用以下命令来查看虚拟环境的位置： ``` conda info -e ``` 4. 在yolov8项目中，可以找到一个名为"ultralytics/assets/bus.jpg"的示例图片。你可以使用yolov8n.pt模型对这个图片进行简单的推理。为了进行推理，需要先安装ultralytics库。你可以使用以下命令来安装该库： ``` pip install ultralytics ``` 然后，使用以下命令对示例图片进行推理： ``` yolo predict model=yolov8n.pt source='ultralytics/assets/bus.jpg' ``` 通过按照以上步骤进行操作，你就可以从头部署yolov8并进行简单的推理了。<span class="em">1</span><span class="em">2</span><span class="em">3</span> #### 引用[.reference_title] - *1* *2* *3* [【深度学习之YOLO8】环境部署](https://blog.csdn.net/qq_43376286/article/details/131838647)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 100%"] [ .reference_list ]

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值