yolov8搭建(Windows版)

系列文章目录

---

---

前言

提示：这里可以添加本文要记录的大概内容：

yolov8搭建(Windows，当前使用版本：8.2.48)

---

提示：以下是本篇文章正文内容，下面案例可供参考

一、项目地址

1.传送门

项目地址：
https://github.com/ultralytics/ultralytics
权重文件地址：
https://github.com/ultralytics/assets/releases/download/v8.2.0/yolov8n.pt
https://github.com/ultralytics/assets/releases/download/v8.2.0/yolov8s.pt
https://github.com/ultralytics/assets/releases/download/v8.2.0/yolov8m.pt
https://github.com/ultralytics/assets/releases/download/v8.2.0/yolov8l.pt
https://github.com/ultralytics/assets/releases/download/v8.2.0/yolov8x.pt
选择上述权重文件任意一个，放到项目根目录中(此处我使用yolov8n.pt)

二、CUDA配置

1.检查当前电脑允许的最大CUDA版本

代码如下（示例）：执行命令：nvidia-smi 查看当前显卡支持的最大的cuda版本

2.下载并安装CUDA

下载地址：https://developer.nvidia.com/cuda-toolkit-archive（此处我选的是CUDA Toolkit 12.1.0，截至文章发表时间，此版本为最佳版本，需要与下面的pytorch版本匹配才可）
安装完毕后检查系统环境变量配置：
Path–>C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.1\bin
Path–>C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.1\libnvvp
有可能安装的时候会自动添加，需检查。

3.CUDA环境验证

nvcc -V，回显如下：

二、CUDNN配置

1.下载地址

https://developer.nvidia.com/rdp/cudnn-archive
作者使用的版本：

2.配置

将下载解压后将所有文件拷贝到CUDA目录里：
CUDA默认路径为C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.1

四、安装anaconda

1.下载地址

https://www.anaconda.com/download/success

2.配置

配置环境变量：Path中添加：
D:\ProgramData\anaconda3
D:\ProgramData\anaconda3\Scripts
D:\ProgramData\anaconda3\Library\bin

3.验证

conda --version，回显：

conda info

五、创建yolov8的python环境

conda create -n yolov8 python==3.8
查看当前有那些虚拟环境：conda env list
激活环境：conda activate yolov8
删除环境：conda remove --name yolov8 --all

六、安装pytorch(需要在yolov8环境中进行)

https://pytorch.org/get-started/locally/

conda install pytorch torchvision torchaudio pytorch-cuda=12.1 -c pytorch -c nvidia
注意：如果报错且再次执行上述命令无法正常进行时则清理缓存：conda clean --packages --tarballs然后删除yolov8环境之后重新创建。

七、安装依赖

cd到源码目录
切换到yolov8 python环境
进入到项目的根目录，执行：pip install ultralytics

八、测试

1.整体环境测试

切换到yolov8环境，编写test.py

# 输入库
import torch
# 查看版本
print(torch.__version__)
# 查看gpu是否可用
print(torch.cuda.is_available())
# 查看对应CUDA的版本号
print(torch.backends.cudnn.version())
print(torch.version.cuda)
# 退出python
quit()

运行：python test.py 回显：

注意：若第二行为false则使用的是CPU（非显卡）

1.图片识别测试

切换到yolov8环境，执行：
yolo task=detect mode=predict model=yolov8n.pt conf=0.25 source=‘E:\git\ultralytics\ultralytics\assets\bus.jpg’
回显：
Ultralytics YOLOv8.2.48 🚀 Python-3.8.19 torch-2.3.1 CUDA:0 (NVIDIA GeForce RTX 3060 Ti, 8192MiB)
YOLOv8n summary (fused): 168 layers, 3151904 parameters, 0 gradients, 8.7 GFLOPs

image 1/1 E:\git\ultralytics\ultralytics\assets\bus.jpg: 640x480 4 persons, 1 bus, 1 stop sign, 160.8ms
Speed: 38.5ms preprocess, 160.8ms inference, 1476.2ms postprocess per image at shape (1, 3, 640, 480)
Results saved to runs\detect\predict
💡 Learn more at https://docs.ultralytics.com/modes/predict