Yolov8的安装及初步使用

最新推荐文章于 2025-03-28 21:25:55 发布
最新推荐文章于 2025-03-28 21:25:55 发布
阅读量818 收藏 10
点赞数 6
文章标签： YOLO 目标跟踪 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/a3188045002/article/details/137017800
版权

        今天来介绍Yolo，Yolo系列时目前比较火的目标检测算法，在2023年，yolo已经更新到了Yolov8了，今天就来安装和使用Yolov8。

        首先来简单的介绍一下，YOLOv8 是YOLO 系列实时物体检测器的最新迭代产品，在精度和速度方面都具有尖端性能。在之前YOLO 版本的基础上，YOLOv8 引入了新的功能和优化，使其成为广泛应用中各种物体检测任务的理想选择。以下是ultralytics的开源地址：

https://github.com/ultralytics/ultralytics

        点开连接后，点击下载ZIP，下载后解压打开。里面有相关的教程。

        现在打开pycharm，在终端里输入pip install ultralytics，安装好ultralytics后，导入ultralytics后输入ultralytics.checks()，检查目前的版本。

        

        接下来就可以使用Yolov8的相关功能，今天我们

最低0.47元/天 解锁文章
a3188045002
关注
YOLOv8原理与代码实例讲解
AI天才研究院
06-05 1598
YOLOv8原理与代码实例讲解 1.背景介绍 在计算机视觉领域,目标检测是一项非常重要和具有挑战性的任务。它旨在从给定的图像或视频中定位并识别出感兴趣的目标对象。近年来,基于深度学习的目标检测算法取得了长足的进展,其中YOLO(You Only Look Once)系列算法因其高效和准确而备受
yolov8实战第九天——pyqt5-yolov8实现道路病害识别系统（参考论文（6000+字）+环境配置+完整部署代码+代码使用说明+训练好的模型+数据集）
qq_34717531的博客
05-23 1274
随着城市化的快速发展，道路交通基础设施扮演着至关重要的角色。道路病害，如裂缝、坑洼和龟裂，不仅降低了交通安全性，还增加了维护成本。传统的道路病害检测方法主要依靠人工视觉检查，这种方法不仅耗时、成本高，而且结果的准确性和可重复性差。因此，自动化和智能化的道路病害检测系统显得尤为重要。本研究开发了一个基于PyQt5和YOLOv8的道路病害检测系统，该系统能够自动检测并分类道路病害，以及一些可能与病害混淆的负样本，如井盖和修补过的裂缝。
YOLOv8实战——安装篇_yolov8安装
2401_84009192的博客
04-08 1556
进阶课程，基本涵盖了95%以上前端开发知识点，真正体系化！**
YOLOv8实战——安装篇
热门推荐
weixin_45819759的博客
07-27 3万+
在vscode目录中找到刚刚安装的ultralytics目录，在其里面的engine目录下找到model文件。检测结果为4人，1车，1站牌，花了71毫秒。predict方法表示为预测方法，因此在此方法内增加一个print语句。1.建议下载miniconda，若是在Linux上安装，可以参考我这篇。进入对应conda环境，并进入ultralytics-main目录下。进入网址，点击Code，然后点击Download下载zip压缩包。YOLOv8 可以在命令行界面（CLI）中直接使用，只需输入。
Yolo_v8的安装测试
03-28 964
如何安装Python版本的Yolo，有一段时间不用了，Yolo的版本也在不断地发展，所以重新安装了运行了一下，记录了下来，供参考。
yolov8安装教程
he1223991940的博客
08-16 4478
(5)例如图cuda11.1 在conda中创建的虚拟环境运行下面对应的pip安装，在安装命令后面加上-i https://pypi.douban.com/simple/ some-package 使用国内下载源进行下载大大减少下载时间，等他下载完，在当前conda安装环境输入pip list找到torch+torchaudio+torchvision三个包，如下图在版本后带有+cuxxx即为安装成功。如果没有安装conda，按照流程安装好conda，还要下载好符合自己电脑版本的CUDA 后续会用。
安装YOLOv8
ct1027038527的专栏
03-11 577
目标检测算法-YOLOv8安装流程
YoloV8安装指南（新手初探，请大佬轻喷）
Mr.Xiwen博客
05-15 1761
yolov8安装
【pip安装】YOLOv8目标检测初步上手
刘墨苏的技术博客
06-03 2427
Ultralytics YOLOv8 是一个尖端的、最先进的（SOTA）模型，它建立在以前 YOLO 版本的成功基础之上，并引入了新功能和改进，以进一步提高性能和灵活性。YOLOv8 旨在快速、准确且易于使用，使其成为广泛的对象检测和跟踪实例分割图像分类和姿态估计任务的极佳选择。
目标检测领域YOLOv8模型基于L1、L2与随机策略的剪枝方法及应用
最新发布
04-07
首先，通过安装torch_pruning库作为辅助工具，接着利用yolov8-train.py脚本完成模型的初步训练，期间关闭微调选项以确保模型能够从头学习。随后，采用L1、L2以及随机策略对已训练的模型进行剪枝操作，通过yolov8_...
YOLOv8 的安装、使用与训练
qq_54334713的博客
04-25 1487
本文介绍了，如何安装YOLOv8，如何使用YOLOv8权重，如何训练自己的数据集
Ultralytics(YOLOv8)的环境部署与安装
Joining667的博客
03-23 2万+
YOLOv8 是 ultralytics 公司在 2023 年 1月 10 号开源的 YOLOv5 的下一个重大更新版本，目前支持图像分类、物体检测和实例分割任务。
YOLOv8一条龙教程---------安装教程
m0_56863547的博客
01-03 5243
yolov8一条龙教程
【yolov8】3、yolov8 环境安装 【GPU版】
ladymorgana的博客
07-19 1745
1、要求 1.1 什么是 CUDA 和 CUDNN 1.2 查看cuda版本的3种方法（`版本在10.2以上的可以忽略本章节`）： 1.3 没有找到NIVDIA图标，确认是否有英伟达显卡 2、pycharm下载安装 进入官网 3、yolov8 环境安装 【GPU版】 3.1 Yolov8 源码下载： Stage 1 ：解压后用pycharm打开 Stage 2 ：配置 python 解释器(anaconda) Stage 3 ：安装Yolov8的依赖环境 Stage 3-1 ：把 `requirements
YOLOv8环境安装、数据集划分、训练、测试、推理
m0_46700884的博客
07-02 1万+
首先在电脑上安装好Anaconda以及Pycham软件。并配置好了基础的pytorch环境。
8、YOLOv8教程---安装
Knowledgebase的博客
10-02 684
除了CLI之外，YOLOv8还作为一个PIP包进行分发，非常适合所有Python环境。这使得本地开发有点困难，但可以在Python代码中充分利用YOLOv8的所有可能性。访问YOLO模型的另一种方式是通过OpenCV、Ultralytics的Google Colab笔记本，以及通过Keras API和Tensorflow 2。YOLOv8可以通过命令行界面（CLI）轻松访问，并用于任何类型的数据集。模型可以是未初始化的.yaml文件或以前训练的.pt文件。如何使用YOLOv8的CLI？
YOLOV8环境安装，看这一篇就够了！！！
qq_31649399的博客
11-16 1315
将源码解压并打开ultralytic所在的文件夹，在地址栏输入cmd，继续输入conda activate yolov8回车进入到yolov8虚拟环境中，再输入pip install -e. 回车后自动安装v8源码。在打开的控制台输入：conda create -n yolov8 后回车，提示proceed（Y/N）,输入y回车后，出现如下界面后，虚拟环境创建成功。），若是16xx型号的显卡，安装pytorch时，cuda版本一定要选择10.2的，点击后，复制对应的命令，拷贝到在上一步的控制台进行安装。
YOLOv8的环境安装和简单实践（入门）
goat17的博客
02-02 3123
从零开始的YOLOv8的安装配置和简单使用的入门教程，手把手教，十分详细！有问题请积极在评论区提问！
Yolov8安装及环境搭建详解
yjcccccc的博客
01-13 9417
由于u神的新版本yolov8，想要打造成整合的框架，淡化各版本的数字区分，所以集合成库pip安装，但大家会发现pip的时候安装不下来，因为里面的某些依赖库镜像源可能没有，本文将手把手一步步展示安装过程。
yolov8-deepsort安装
02-28
### YOLOv8-DeepSort 环境搭建教程 #### 创建 Anaconda 虚拟环境并激活 为了确保兼容性和稳定性，推荐使用Anaconda创建一个新的Python虚拟环境来安装YOLOv8和DeepSort所需的依赖项。 ```bash conda create -n yolov8_deepsort python=3.9 conda activate yolov8_deepsort ``` #### 安装 PyTorch 和 CUDA 支持 考虑到性能优化的需求以及硬件加速的支持，需确认PyTorch版本与CUDA版本相匹配。对于YOLOv8而言，通常建议采用最新稳定版的PyTorch，并搭配相应的CUDA驱动程序。 ```bash pip install torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117 ``` 此命令适用于NVIDIA GPU用户；如果目标设备不具备GPU，则可省略`--extra-index-url`参数以默认安装CPU-only版本[^1]。 #### 获取 YOLOv8 项目源码 通过Git克隆官方仓库获取最新开源代码： ```bash git clone https://github.com/ultralytics/ultralytics.git cd ultralytics/ pip install -r requirements.txt pip install -e . ``` 上述操作不仅下载了必要的库文件还完成了本地包链接，使得后续开发更加便捷高效[^2]。 #### 配置 DeepSort 组件 鉴于DeepSort作为多目标跟踪算法的重要性，在完成基础框架部署之后还需进一步集成该模块。可以从GitHub上拉取对应的实现版本： ```bash git clone https://github.com/nwojke/deep_sort_pytorch.git cd deep_sort_pytorch/ pip install -r requirements.txt ``` 值得注意的是，由于不同开发者可能基于各自需求定制化修改过原始代码结构，因此实际路径可能会有所差异，请参照具体README文档指示调整相应指令[^3]。 #### 测试验证安装成果 最后一步是对整个系统的功能性进行全面检测，确保各部分组件能够协同工作正常运行。可以尝试执行预训练模型推理任务或者启动简单的追踪实例来进行初步检验。 ```python from ultralytics import YOLO import cv2 from deep_sort.deep_sort.tracker import Tracker as DSTracker from deep_sort.tools.generate_detections import create_box_encoder model = YOLO('yolov8s.pt') # 加载小型YOLOv8权重 cap = cv2.VideoCapture(0) encoder = create_box_encoder('./deep_sort/resources/networks/mars-small128.pb', batch_size=32) tracker = DSTracker(max_age=30, n_init=3) while True: ret, frame = cap.read() results = model(frame)[0].boxes.data.tolist() # 推理得到边界框列表 detections = [] for r in results: bbox = list(map(int, r[:4])) conf = float(r[4]) cls = int(r[-1]) if conf > 0.5 and cls == 0: # 只处理行人类别且置信度大于阈值的情况 detections.append([bbox[0], bbox[1], bbox[2]-bbox[0], bbox[3]-bbox[1]]) features = encoder(frame, np.array(detections)) dets = [Detection(bbox, score=conf, feature=f) for bbox, f in zip(detections, features)] tracker.predict() matches = tracker.update(dets) for track_id, det_idx in enumerate(matches[:, 1]): x1,y1,w,h = map(int,detections[int(det_idx)]) label = str(track_id) color=(randint(0,255), randint(0,255), randint(0,255)) cv2.rectangle(frame,(x1,y1),(x1+w,y1+h),color=color,thickness=2) cv2.putText(frame,label,(x1,y1-10),cv2.FONT_HERSHEY_SIMPLEX,.5,color,thickness=2) cv2.imshow("Frame",frame) key=cv2.waitKey(1)&0xFF if key==ord('q'): break cap.release() cv2.destroyAllWindows() ``` 这段脚本实现了摄像头实时视频流中的物体识别与跟踪功能展示，其中涉及到了YOLOv8的目标定位能力结合DeepSort的身份持续关联机制共同作用的结果呈现[^4]。
评论 1
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