目录
1.1.1查看当前你的电脑显卡支持的最高CUDA版本，后面的安装不能超过它
-----------------------------------------------------------------------------------------------------------
1.安装CUDA和cuDNN
1.1安装CUDA
1.1.1查看当前你的电脑显卡支持的最高CUDA版本，后面的安装不能超过它
方法一：通过命令的方式查看
nvidia-smi
方法二：【鼠标右键桌面】--【显示更多选项】--【NVIDIA控制面板】--在控制面板的左下角点击【系统信息】--选择【组件】
NVIDIA CUDA 12.1.68 driver就是显卡支持的CUDA版本
1.1.2 下载CUDA（官网或者百度网盘）
（1）下载地址一（官网）：
下载小于12.1版本都都可以，我这里下载的是11.8.0，然后点击【CUDA Toolkit 11.8.0】
- 下载CUDA11.8
（2）下载地址二（百度网盘）：
11.8.0版本的百度网盘下载地址，链接：百度网盘 请输入提取码
提取码：h0tw
1.1.3 安装CUDA 11.8
- 点击刚下载的CUDA进行安装
- 下面的路径是提取地址，安装完后会自动删除，选择默认即可，点击【OK】
- 等待提取完成
- 点击【同意并继续】
- 选择【自定义】，点击【下一步】
- 驱动组件可以全部勾选，点击【下一步】
- cmd命令【nvcc -V】查看CUDA是否安装成功，如果出现如下界面表示CUDA安装成功
1.2配置cuDNN
1.2.1下载cuDNN（官网或者百度网盘）
（1）下载地址一（官网）
下载cuDNN,先登录，按照提示流程注册、登录即可。
cuDNN选择支持CUDA的版本（刚刚下载的CUDA是哪个版本就选择对应的版本）（CUDA 11.x则代表支持CUDA11代版本的所有版本）
下载对应自己电脑系统的版本。
（2）下载地址一（百度网盘）
链接：百度网盘 请输入提取码
提取码：bwas
1.2.2 配置cuDNN
解压cuDNN压缩包，然后将cuDNN文件夹里面的几个文件复制到CUDA的安装目录下直接覆盖
覆盖
2.安装Anaconda
2.1 下载Anaconda
（1）Anaconda下载方式一（官网）
Anaconda下载官网：Anaconda | The Operating System for AI
点击下载【Free Download】即可
然后点击【Download】
（2）Anaconda下载方式二（百度网盘）
链接：百度网盘 请输入提取码
提取码：9hcx
2.2 安装Anaconda
点击安装包，然后点击【Next]
- 点击【I Agree】
- 点击【Next】
- 安装路径的选择，点击【Next】
- 点击【INstall】，然后等待安装完成
- 点击【Next】
- 点击【Next】
- 点击【Finish】
2.3 配置环境变量
右键点击【我的电脑】(此电脑)--【属性】--点击【高级系统设置】--【高级】--【环境变量】-找到系统变量下的【Path】--右侧点击【新建】，按照我标红框的进行添加即可。（注意anaconda3的安装路径
3.创建python虚拟环境
3.1创建python虚拟环境
虚拟环境的作用：虚拟环境可以隔离不同项目的依赖项，避免不同项目之间的干扰，使项目更加稳定。
首先进入命令界面
输入如下命令：
conda create -n yolov8 python=3.11.4
其中：yolov8是虚拟环境名称（可以任意取名），python=3.11.4是指定python的版本（也可指定另外的版本）
输入【y】，之后回车开始安装
如果出现如下界面，表示安装完成。
输入命令可以查看虚拟环境否创建成功：conda env list
如下界面表示创建成功（虚拟环境名称以及虚拟环境的路径）：
激活进入环境：activate yolov8
激活成功后，前面的base会替换成yolov8
备注：如果需要删除刚刚创建的虚拟环境，可以通过如下命令删除：
conda remove -n yolov8 --all3.2 虚拟环境的路径设置（ 常见问题以及解决方法）
（如果3.1在创建虚拟环境的时候，路径不是anaconda3的安装路径下，而是总是在c盘，才需要进行3.2小节的设置，否则跳过3.2小节）
解决方法参考：【BUG】使用Anaconda3创建虚拟环境时，总是安装到C盘全局默认路径，而不是安装到自定义的Anaconda的envs目录下的解决方法-CSDN博客
4.打开项目
首先下载YOLOv8项目
（YOLO系列项目官网下载地址：主页 -Ultralytics YOLO 文档）
yolov8官网下载地址：https://github.com/ultralytics/ultralytics
yolov8百度网盘下载地址链接：百度网盘 请输入提取码
提取码：8t0c
yolov8压缩包下载完成之后，解压到某个路径下（可以解压在D盘）
4.1 打开yolov8项目
Pycharm前提已经安装完成（如果没有安装，可以网上搜索Pycharm的安装教程，有很多）
Pycharm软件中打开刚解压的yolov8项目
5.在Pycharm中调用yolov8环境
点击【File】-->【setting】-->【Project】-->【Python Interpreter】-->【Add Interpreter】-->【Add Local Interpreter】
设置虚拟环境
备注：在Pycharm中如何查看当前项目使用的虚拟环境：
点击左下角的【Terminal】,可以看出使用的虚拟环境
或者在当前项目下新建一个test-p.py文件，输入如下代码并运行
import sys
print(sys.prefix)截图如下,可以看出使用的是yolov8虚拟环境以及虚拟环境的路径：
6.pycharm中添加镜像地址
添加镜像可以加快下载依赖包的速度。
点击图标【Python Packages】--点击设置按钮【Manage respositories】
点击【+】--在【Name】处随意更改名字，然后在【Repository URL】填上镜像源地址，最后点击【OK】
也可以添加另外一些镜像地址：
1.清华大学镜像源：
https://pypi.tuna.tsinghua.edu.cn/simple/2.阿里云镜像源：
http://mirrors.aliyun.com/pypi/simple/3.中国科技大学镜像源：
https://pypi.mirrors.ustc.edu.cn/simple/7.安装GPU版本的torch
torch官网：Previous PyTorch Versions | PyTorch
选择和CUDA对应的torch版本（前面自己已经安装的版本），然后复制
- 进入pycharm，点击【Teminal】，进入yolov8虚拟环境之后，粘贴上面复杂的torch版本进行安装（然后等待安装完成）
8.安装其他的项目依赖
左下角终端打开，安装项目依赖，执行命令：pip install -r requirements.txt
如果没有requirements.txt这个文件，可以直接在项目下新建这个文件，将下面的内容复制进去，然后执行安装命令
certifi==2022.12.7
charset-normalizer==2.1.1
colorama==0.4.6
contourpy==1.2.0
cycler==0.12.1
filelock==3.9.0
fonttools==4.50.0
fsspec==2024.6.1
huggingface-hub==0.23.4
idna==3.4
Jinja2==3.1.2
kiwisolver==1.4.5
MarkupSafe==2.1.3
matplotlib==3.8.3
mpmath==1.3.0
networkx==3.2.1
numpy==1.26.3
opencv-python==4.9.0.80
packaging==24.0
pandas==2.2.1
pillow==10.2.0
psutil==5.9.8
py-cpuinfo==9.0.0
pyparsing==3.1.2
python-dateutil==2.9.0.post0
pytz==2024.1
PyYAML==6.0.1
requests==2.28.1
scipy==1.12.0
seaborn==0.13.2
six==1.16.0
sympy==1.12
thop==0.1.1.post2209072238
#torch==2.0.0+cu118
#torchaudio==2.0.1+cu118
#torchvision==0.15.1+cu118
tqdm==4.66.2
typing_extensions==4.8.0
tzdata==2024.1
ultralytics==8.1.34
urllib3==1.26.139.以训练NEU-DET数据集为例训练模型
9.1创建数据集
数据集下载地址：链接：百度网盘 请输入提取码
提取码：lh8d
然后将下载的数据集解压之后放在项目的data目录（如何没有此目录，自己创建一个）下。
9.2 创建数据集的配置文件NEU-DET.yaml
在项目的【ultralytics/assets/cfg/datasets】目录下新建一个NEU-DET.yaml，内容如下
path: D:/YOLO/YOLOv8/data/NEU-DET # 注意修改自己NEU-DET数据集的路径
train: train/images # train images
val: val/images # val images
test: test/images # test images
# Classes
names:
0: crazing
1: inclusion
2: patches
3: pitted_surface
4: rolled-in_scale
5: scratches
截图如下
9.3 创建模型对象yolov8-neu-det.yaml
在项目的【ultralytics/models/v8】目录下新建一个yolov8-neu-det.yaml，代码如下
# Ultralytics YOLO 🚀, AGPL-3.0 license
# YOLOv8 object detection model with P3-P5 outputs. For Usage examples see https://docs.ultralytics.com/tasks/detect
# Parameters
nc: 6 # number of classes
scales: # model compound scaling constants, i.e. 'model=yolov8n.yaml' will call yolov8.yaml with scale 'n'
# [depth, width, max_channels]
n: [0.33, 0.25, 1024] # YOLOv8n summary: 225 layers, 3157200 parameters, 3157184 gradients, 8.9 GFLOPs
# s: [0.33, 0.50, 1024] # YOLOv8s summary: 225 layers, 11166560 parameters, 11166544 gradients, 28.8 GFLOPs
# m: [0.67, 0.75, 768] # YOLOv8m summary: 295 layers, 25902640 parameters, 25902624 gradients, 79.3 GFLOPs
# l: [1.00, 1.00, 512] # YOLOv8l summary: 365 layers, 43691520 parameters, 43691504 gradients, 165.7 GFLOPs
# x: [1.00, 1.25, 512] # YOLOv8x summary: 365 layers, 68229648 parameters, 68229632 gradients, 258.5 GFLOPs
# YOLOv8.0n backbone
backbone:
# [from, repeats, module, args]
- [-1, 1, Conv, [64, 3, 2]] # 0-P1/2
- [-1, 1, Conv, [128, 3, 2]] # 1-P2/4
- [-1, 3, C2f, [128, True]]
- [-1, 1, Conv, [256, 3, 2]] # 3-P3/8
- [-1, 6, C2f, [256, True]]
- [-1, 1, Conv, [512, 3, 2]] # 5-P4/16
- [-1, 6, C2f, [512, True]]
- [-1, 1, Conv, [1024, 3, 2]] # 7-P5/32
- [-1, 3, C2f, [1024, True]]
- [-1, 1, SPPF, [1024, 5]] # 9
# YOLOv8.0n head
head:
- [-1, 1, nn.Upsample, [None, 2, "nearest"]]
- [[-1, 6], 1, Concat, [1]] # cat backbone P4
- [-1, 3, C2f, [512]] # 12
- [-1, 1, nn.Upsample, [None, 2, "nearest"]]
- [[-1, 4], 1, Concat, [1]] # cat backbone P3
- [-1, 3, C2f, [256]] # 15 (P3/8-small)
- [-1, 1, Conv, [256, 3, 2]]
- [[-1, 12], 1, Concat, [1]] # cat head P4
- [-1, 3, C2f, [512]] # 18 (P4/16-medium)
- [-1, 1, Conv, [512, 3, 2]]
- [[-1, 9], 1, Concat, [1]] # cat head P5
- [-1, 3, C2f, [1024]] # 21 (P5/32-large)
- [[15, 18, 21], 1, Detect, [nc]] # Detect(P3, P4, P5)
截图如下：
9.4 创建train.py文件方便后续的训练
在项目的根目录下创建train.py文件方便后续的训练，后面主需要运行train.py文件就可以再次进行训练了，不必每次都需要出入一次运行命令
import warnings
warnings.filterwarnings('ignore')
from ultralytics import YOLO
if __name__ == '__main__':
model = YOLO('ultralytics/cfg/models/v8/yolov8-neu-det') # 指定YOLO模型对象，并加载指定配置文件中的模型配置
#model.load('yolov8s.pt') #加载预训练的权重文件'yolov8s.pt'，加速训练并提升模型性能
model.train(data='ultralytics/cfg/datasets/NEU-DET.yaml', # 指定训练数据集的配置文件路径，这个.yaml文件包含了数据集的路径和类别信息
cache=False, # 是否缓存数据集以加快后续训练速度，False表示不缓存
imgsz=640, # 指定训练时使用的图像尺寸，640表示将输入图像调整为640x640像素
epochs=200, # 设置训练的总轮数为200轮
batch=16, # 设置每个训练批次的大小为16，即每次更新模型时使用16张图片
close_mosaic=10, # 设置在训练结束前多少轮关闭 Mosaic 数据增强，10 表示在训练的最后 10 轮中关闭 Mosaic
workers=8, # 设置用于数据加载的线程数为8，更多线程可以加快数据加载速度
patience=50, # 在训练时，如果经过50轮性能没有提升，则停止训练（早停机制）
device='0', # 指定使用的设备，'0'表示使用第一块GPU进行训练
optimizer='SGD', #设置优化器为SGD（随机梯度下降），用于模型参数更新
)截图如下：
9.5模型训练的成功截图
模型训练的结果保存在项目的【run/detect】目录下
到此，环境的搭建以及模型的训练就完成了！！！
3114
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
