2024最新的YOLOv8安装配置全流程，人人都可以学会的图像识别技术指南

工欲善其事必先利其器，学Yolov8必须首先学会环境搭建。
本文搭建环境结果如下：

环境	配置
硬件环境	联想工作站P系列+3090GPU
Cuda版本	Cuda 12.3（无需配置cuDNN即可运行）
虚拟环境管理器	Anaconda
Python版本	3.8
Torch版本	torch-2.3.1-cu121-cp38，torchaudio-2.3.1-cu121, torchvsion-0.18.1

步骤总览

下载部分：
1.安装Anaconda Python虚拟环境管理器：保护电脑纯净的运行环境。
2.下载Cuda和cuDNN：GPU运算必须要装。
3.下载GPU版本的Torch：yolov8的算法底座

部署部分：
4.搭建conda虚拟环境
5.安装基础运算依赖：安装python的科学依赖包
6.安装Torch
7.安装ultralytics（Yolov8）

运行部分：
8.测试安装情况

---

安装Anaconda Python虚拟环境管理器

1.官方下载地址（有点慢）：https://repo.anaconda.com/archive/

2.建议安装在非系统盘，安装完成后需要配置环境变量。

3.环境变量配置
右键我的电脑 - 属性 - 高级系统设置 - 环境变量，在环境变量系统变量中的Path进行编辑，输入下文内容。

D:\YourPath\Anaconda3
D:\YourPath\Anaconda3\Scripts
D:\YourPath\Anaconda3\Library\bin
D:\YourPath\Anaconda3\Library\mingw-w64\bin
D:\YourPath\Anaconda3\Library\usr\bin

4.配置完成后按win + r打开CMD输入，检查安装情况

conda --version

5. 在输入python，打开anaconda默认安装的python环境

python

---

下载Cuda和cuDNN

1.如果采用GPU运算则，Cuda必须要下载，同时，Cuda版本必须与显卡驱动兼容。如果使用CPU运算可以跳过这个步骤。

• 使用cmd的nvidia-smi命令查看当前显卡支持的最高版本Cuda。

• 我的电脑最高支持12.3的Cuda，因此选择下载Cuda12.3

• 注意的是，Cuda版本是向下兼容torch的GPU版本的，因此Cuda版本大于torch版本一般来说问题不大。

nvidia-smi

### 效果如下：
+---------------------------------------------------------------------------------------+
| NVIDIA-SMI 546.01                 Driver Version: 546.01       CUDA Version: 12.3     |
|-----------------------------------------+----------------------+----------------------+

2.下载Cuda，官方网站：https://developer.nvidia.com/cuda-toolkit-archive

3.正常一路安装即可，安装完成后重启电脑。

4.安装cuDNN：其他博主会涉及到安装cuDNN的操作，目前我采用的Cuda12.3无需替换cuDNN，目前没踩雷。

官方网站：https://developer.nvidia.com/cudnn-archive。各位可按需安装。

---

3.下载GPU版本的Torch

1.国内镜像默认下载的都是CPU版本的torch，可以跳过此步骤。

2.Torch官网：https://pytorch.org/get-started/locally/。可以根据官网教程直接远程安装，下载巨慢，不推荐，建议离线下载安装包，后续安装不同虚拟环境时，可以灵活部署。

3.下载地址：https://download.pytorch.org/whl/cu121。其他版本的torch就把cu121后缀修改成自己想要的。

4.下载内容：torch，trochaudio，torchvision

5.选择下载的包

torch-2.3.1+cu121-cp38-cp38-win_amd64.whl
torchaudio-2.3.1+cu121-cp38-cp38-win_amd64.whl
torchvision-0.18.1+cu121-cp38-cp38-win_amd64.whl

6.下载也很慢，不过至少能断点续传…等吧，有其他好的离线下载办法可以评论区分享。

---

4.搭建conda虚拟环境

1.conda初始化，conda第一次运行的时候需要进行初始化，执行如下命令：

conda init

2.新建一个名字为y8work，python版本为3.8的虚拟环境

conda create -n y8work python=3.8

3.进入虚拟环境

conda activate y8work

4.查看当前环境的一些参数

# 查看conda安装的一些内容
conda list
# 查看python版本
python --version
# 查看python环境包
pip list
# 删除这个环境
conda env remove --n y8work

---

5.安装基础运算依赖

原来yolov8中源代码已经把requirements.txt删掉了。

目前整理了一份，可以直接pip安装。

1.requirements.txt文件内容如下：

# Ultralytics requirements
# Usage: pip install -r requirements.txt

# Base ----------------------------------------
matplotlib>=3.2.2
numpy>=1.22.2 # pinned by Snyk to avoid a vulnerability
opencv-python>=4.6.0
pillow>=7.1.2
pyyaml>=5.3.1
requests>=2.23.0
scipy>=1.4.1
# torch>=1.7.0
# torchvision>=0.8.1
tqdm>=4.64.0

# Logging -------------------------------------
# tensorboard>=2.13.0
# dvclive>=2.12.0
# clearml
# comet

# Plotting ------------------------------------
pandas>=1.1.4
seaborn>=0.11.0

# Export --------------------------------------
# coremltools>=6.0,<=6.2  # CoreML export
# onnx>=1.12.0  # ONNX export
# onnxsim>=0.4.1  # ONNX simplifier
# nvidia-pyindex  # TensorRT export
# nvidia-tensorrt  # TensorRT export
# scikit-learn==0.19.2  # CoreML quantization
# tensorflow>=2.4.1  # TF exports (-cpu, -aarch64, -macos)
# tflite-support
# tensorflowjs>=3.9.0  # TF.js export
# openvino-dev>=2023.0  # OpenVINO export

# Extras --------------------------------------
psutil  # system utilization
py-cpuinfo  # display CPU info
# thop>=0.1.1  # FLOPs computation
# ipython  # interactive notebook
# albumentations>=1.0.3  # training augmentations
# pycocotools>=2.0.6  # COCO mAP
# roboflow

2.安装命令，利用清华镜像加速下载

pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple
# pip install -r D:/下载中心/Python安装包/requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

---

6.安装Torch

1.如果安装CPU版本的Torch可以直接利用清华镜像

pip install torch torchaudio torchvision -i https://pypi.tuna.tsinghua.edu.cn/simple

2.如果安装GPU版本，通过官网下载，用官方给的命令

pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121

3.如果使用离线安装，使用如下命令，其他依赖仍然通过清华镜像解决

pip install "torch-2.3.1+cu121-cp38-cp38-win_amd64.whl" "torchaudio-2.3.1+cu121-cp38-cp38-win_amd64.whl" "torchvision-0.18.1+cu121-cp38-cp38-win_amd64.whl" -i https://pypi.tuna.tsinghua.edu.cn/simple

---

7. 安装ultralytics（Yolov8）

1.通过pip安装

pip install ultralytics

2.安装完成输入yolo看下是否安装成功

yolo -v


# 出现如下内容

# 8.2.56

3.去yolo github官网下载源代码，官网地址：https://github.com/ultralytics/ultralytics

解压后，在conda环境中进入这个源代码的根目录

---

8. 测试安装情况

8.1 预测测试

1.首先测试算法预测，用自带的yolov8n模型，device等于表示使用GPU-0进行预测，如果是用CPU则把device=cpu

# GPU预测
yolo predict model=yolov8n.pt source='ultralytics/assets/bus.jpg' device=0

# CPU预测
yolo predict model=yolov8n.pt source='ultralytics/assets/bus.jpg' device=cpu

命令执行情况：可以看到使用运算硬件、模型参数、速度、预测结果位置等信息。

Downloading https://github.com/ultralytics/assets/releases/download/v8.2.0/yolov8n.pt to 'yolov8n.pt'...
100%|██████████████████████████████████████████████████████████████████████████████| 6.25M/6.25M [00:08<00:00, 784kB/s]
Ultralytics YOLOv8.2.56 🚀 Python-3.8.19 torch-2.3.1+cu121 CUDA:0 (NVIDIA GeForce RTX 3090, 24576MiB)
YOLOv8n summary (fused): 168 layers, 3,151,904 parameters, 0 gradients, 8.7 GFLOPs

image 1/1 D:\Code\AI\ultralytics-main-work\ultralytics-main\ultralytics\assets\bus.jpg: 640x480 4 persons, 1 bus, 1 stop sign, 70.0ms
Speed: 10.0ms preprocess, 70.0ms inference, 325.5ms postprocess per image at shape (1, 3, 640, 480)
Results saved to runs\detect\predict
💡 Learn more at https://docs.ultralytics.com/modes/predict

打开文件夹 ./ultralytics-main/runs/detect/predict就可以看到预测文件

8.2 训练测试

1.训练测试数据集先使用coco128样本。下载链接

https://github.com/ultralytics/assets/releases/download/v0.0.0/coco128.zip

2.存放路径

下载完成后存放在根目录下的 datasets 文件夹中

./ultralytics-main/datasets

3.训练命令，选择yolov8n模型，利用coco128数据进行训练，如果没有事先下载这个数据集，会通过coco128.yaml配置文件进行下载，但是会很慢。

yolo train model = yolov8n.pt data = coco128.yaml epochs = 10 imgsz = 640

命令最终执行情况：

Speed: 0.1ms preprocess, 1.7ms inference, 0.0ms loss, 1.3ms postprocess per image
Results saved to runs\detect\train
💡 Learn more at https://docs.ultralytics.com/modes/train

执行过程一些图片

打开文件夹 ./ultralytics-main/runs/detect/train就可以看到预测文件

8.3 验证测试

1.验证测试命令

yolo val model = yolov8n.pt data = coco128.yaml

命令执行情况

Speed: 4.0ms preprocess, 9.0ms inference, 0.0ms loss, 3.6ms postprocess per image
Results saved to runs\detect\val
💡 Learn more at https://docs.ultralytics.com/modes/val

打开文件夹 ./ultralytics-main/runs/detect/val就可以看到预测文件

至此，你的Yolov8工具已经搭建好了！！！可以专注于学习了。
欢迎各位朋友在下面跟我交流互动，有问题必回，后面我也会更新Yolo其他相关教程。