YOLO系列：YOLOv8环境配置，安装，训练及测试流程

一、环境安装

环境依然使用anaconda配置虚拟环境，请确保虚拟环境的python>=3.7，torch>=1.7，我推荐python=3.8。同时，为了加速训练过程，有GPU平台的读者请确保CUDA>=10.2。

conda create -n 环境名字 python=3.8

我们假设你已经安装好了python=3.8的conda虚拟环境，进入刚刚建立好的虚拟环境后，安装GPU版本的torch和torchvision（没有GPU的请去掉+cu111）。

pip install torch==1.9.1+cu111 torchvision==0.10.1+cu111 -f https://download.pytorch.org/whl/torch_stable.html

二、安装

 下面进行下载YOLOv8，下面给出的是下载链接（可以顺道把预训练权重也下载下来，放在根目录下weights文件夹中，如果没有该文件夹请自建一个）。

GitHub - ultralytics/ultralytics: NEW - YOLOv8 🚀 in PyTorch > ONNX > OpenVINO > CoreML > TFLiteNEW - YOLOv8 🚀 in PyTorch > ONNX > OpenVINO > CoreML > TFLite - GitHub - ultralytics/ultralytics: NEW - YOLOv8 🚀 in PyTorch > ONNX > OpenVINO > CoreML > TFLitehttps://github.com/ultralytics/ultralytics下载完成之后进入到YOLOv8根目录下，安装依赖。

pip install -r requirements.txt

最后安装ultralytics。

pip install ultralytics -i http://mirrors.aliyun.com/pypi/simple/ --trusted-host mirrors.aliyun.com 

安装完成之后，为了测试YOLOv8是否安装成功，请运行下方的代码。

yolo task=segment mode=predict model=weight/yolov8s.pt source=ultralytics/assets/bus.jpg save=true

如果成功运行的话，结果存放在runs\detect\predict文件夹下。

三、训练

如果使用自己的训练集，请将格式进行转换，具体步骤请参考下方链接。

labelme制作自己数据集以及图片格式问题_labelme数据格式_彩色面团儿的博客-CSDN博客

数据集制作完成后，文件结构如下（detect_plane.yaml不是数据集制作过程中出现的，后期会讲到）：

 在data文件夹下，建立xxx.yaml，就是上图中的detect_plane.yaml，复制如下代码：

train: G:/yz/ultralytics-main-YOLOv8/data/train.txt
val: G:/yz/ultralytics-main-YOLOv8/data/val.txt
test: G:/yz/ultralytics-main-YOLOv8/data/test.txt

# number of classes
nc: 9

# class names
names: ['E2','B52', 'B2', 'Mirage2000', 'F4', 'F14', 'Tornado', 'J20', 'JAS39']

train代表数据集的训练集的路径

val代表数据集的验证集的路径（训练集和验证集可以使用同一路径）

test代表数据集的测试集的路径

nc代表数据集有多少个标签，我这里有9个标签

names代表几个标签的名字

完成上述工作后，即可进行测试，请在命令行输入如下代码：

yolo task=detect mode=train model=yolov8n.pt data=data/detect_plane.yaml batch=32 epochs=100 imgsz=640 workers=16 device=0

显存大的读者可以把batch和workers调大，显存小的建议batch改为4或者2，workers建议改为2或者1。

最终训练完后，会把训练好的权重保存在runs/train/weights文件夹下

 其中best代表最好的权重，last代表最好的权重。

四、测试

运行如下代码即可：

yolo task=detect mode=predict model=runs/detect/train3/weights/best.pt source=data/images device=0