yolov8安装教程

一、资源下载

1.下载YOLOv8代码

github:YOLOv8-github

gitee:YOLOv8-gitee（推荐使用国内的gitee）

2.conda、cuda

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。

二、创建conda虚拟环境

1.打开conda窗口 进入到安装的YOLOv8界面

2.创建虚拟环境

conda create -n y8 python=3.8
 

输入下面命令查看是否创建成功

 conda env list 
 

激活，并进入环境

conda activate y8

3.下载ultralytics

使用清华镜像源

pip install ultralytics -i https://pypi.tuna.tsinghua.edu.cn/simple
 

4.下载训练模型

推荐yolov8s.pt或者yolov8n.pt，模型小，下载快，在gitee或者github下方readme里面，下载完成后，将模型放在主文件夹下，

YOLOv8 可以在命令行界面（CLI）中直接使用，使用yolov8自带经典图片进行测试：
首先cd进入yolov8主文件夹下，运行下面命令

无显卡驱动
yolo predict model=yolov8n.pt source='ultralytics/assets/bus.jpg' device=cpu

有显卡驱动(看扩展的部分，安装gpu版本torch才能运行)
yolo predict model=yolov8n.pt source='ultralytics/assets/bus.jpg' device=0
 

这是cpu形式下的测试效果： 

结果保存在runs\detect\中,结果如下图

5.配置gpu

方法一：

(1)首先打开命令栏输入nvcc -V，查看自己的cuda版本

(2)在使用nvidia-smi查看是否安装cuda，如果显示没有此命令则没有安装，去CUDA Toolkit Archive | NVIDIA Developer该网站，找到对应版本cuda和系统版本进行下载安装，具体安装步骤可以参考此教程【精选】CUDA安装及环境配置——最新详细版_abbrave的博客-CSDN博客

(3)安装完成后再次输入nvidia-smi出现下图即为成功。

(4)再去pytorch官网，下载对应cuda版本和操作系统的pytorch，如果找不到对应版本，可以安装低于电脑cuda版本的pytorch。

(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。

(6)输入下面代码进行测试，如果有多个显卡，在device=0，1，2…

yolo train data=data/data.yaml model=yolov8s.pt epochs=300 imgsz=640 batch=8 workers=0 device=0

可以运行，并且在运行时显示显卡型号即为成功。

方法二：

1.检查自己电脑的CUDA版本：

nvidia-smi

2.下载pytorch：

版本要求（小于等于cuda）：https://pytorch.org/get-started/previous-versions/

3.下载torch的gpu版本：

注意：在y8环境下下载

下载地址：http://download.pytorch.org/whl/torch_stable.html

版本讲解：

cu121/表示你在教程【GPU】1.当中官网上下载的cuda版本

torch-2.2.2%2Bcu121/表示刚才在pip list中查看的torch的版本

cp312-cp312表示你yolov8的环境python版本，如果按我的教程来的话为3.9 

win-amd64.whl简而言之就是windows系统

下载后，在本地安装：

pip install 下载绝对路径

查看版本信息，注意cpu和gpu版本区别

pip list

出现如下版本信息即安装成功，注意版本！

方法三：

 1.在清华源镜像中下载pytorch、torchvision、cuda92：

Index of /anaconda/cloud/pytorch/win-64/ | 清华大学开源软件镜像站 | Tsinghua Open Source Mirror

2. 一定要选择正确的版本，带有cpu的版本不要选择，这里选择的pytorch是1.4.0版本，torchvision是0.5.0版本，将上述压缩包复制到Anaconda安装文件夹下对应的pkgs文件夹下。

3.在第三步创建的新环境pytorch中安装下载好的压缩包

conda install D:\Anaconda\pkgs\cuda92-1.0-0.tar.bz2
conda install D:\Anaconda\pkgs\pytorch-1.4.0-py3.7_cuda92_cudnn7_0.tar.bz2
conda install D:\Anaconda\pkgs\torchvision-0.5.0-py37_cu92.tar.bz2

4.

到这一步，该环境已经搭建完成了，接下来将该环境加入到pycharm中，在file→Settings→Python Interpreter中点击右侧的齿轮，选择add->Existing environment，选择刚才创建好的pytorch环境，这里因为我已经创建好了，忘了截图，所以用一张别的博主的图给大家作演示：

5.验证是否安装正确，可以运行下面代码，看是否得到输出。

import torch
import numpy as np
test=np.array([[1,2,3,4],[5,6,7,8]])
x=torch.tensor(test)
print(x)
 
 
import torch
print(torch.cuda.is_available())  #输出为True，则安装无误

6.训练模型

方法一简略版：

首先在yolov8主文件夹内创建data文件夹，创建一个data.yaml文件：

这里需要转成yolov8训练集 

train: xxx/xxx/images/train    //xxx/xxx为训练集图片根目录地址，一定要是绝对路径
val: xxx/xxx/images/val
nc: 1 # 标签数量
names: ["1"]# 标签名称

目前很多数据集是以txt文件保存训练集，可以按照以下写法

train: xxx/xxx/train.txt    //xxx/xxx为训练集图片根目录地址，一定要是绝对路径
val: xxx/xxx/val.txt
nc: 1 # class标签数量
names: ["1"] # class标签名称

conda在主文件夹下运行下面命令：

yolo train data=data/data.yaml model=yolov8s.pt epochs=300 imgsz=640 batch=8 workers=0 device=cpu

data为yaml配置文件
model为下载的模型，放在主文件下
epochs为训练轮数
imagez为训练时ai看到的图片大小，检查大图片建议使用640，小图片可以320 越大越吃性能
batch为一轮训练中每一次放入图片数量，越大越快效果越好，但是对性能要求越高
device为使用的设备，使用cpu练就写cpu，使用显卡大多数都是0，多显卡就0，1，2，3，...多少显卡往后写多少

方法二：文档

Segment - Ultralytics YOLO Docs

三、其他相关

1.将训练好的python文件转换成onnx文件

首先，确保你已经安装了 Ultralytics 的 YOLOv8 库以及 PyTorch 和 ONNX 库。如果没有安装，可以使用以下命令进行安装：

pip install ultralytics torch onnx

代码：

import torch
import onnx
from ultralytics import YOLO

# 加载训练好的模型
model = YOLO('yolov8.pt')

# 导出为 ONNX
model.export(format='onnx')

# 验证导出的 ONNX 模型
onnx_model = onnx.load("yolov8.onnx")
onnx.checker.check_model(onnx_model)

print("ONNX 模型已成功导出并验证。")

2.