Ultralytics YOLO - 最先进的视觉人工智能：yolov8 环境搭建

已于 2024-08-04 18:44:35 修改
阅读量1.7k 收藏 34
点赞数 19
分类专栏： Ultralytics YOLO - 最先进的视觉人工智能 文章标签： yolov8 计算机视觉 pytorch 人工智能 YOLO
于 2024-08-04 18:36:30 首次发布
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/qq_18900373/article/details/140906829
版权

一、尝鲜

  1. Ultralytics YOLOv8是一种尖端的，最先进的(SOTA)模型，建立在以前的YOLO版本的成功基础上，并引入了新的功能和改进，以进一步提高性能和灵活性。YOLOv8旨在快速，准确，易于使用，使其成为广泛的目标检测和跟踪，实例分割，图像分类和姿态估计任务的绝佳选择。
    在这里插入图片描述
  2. 在这里可以使用在COCO数据集上预训练的YOLOv8 Detect, Segment和Pose模型，以及在ImageNet数据集上预训练的YOLOv8 classified模型。跟踪模式可用于所有检测，分割和姿态模型。

在这里插入图片描述

自动驾驶中的人工智能：彻底改变道路安全

在这里插入图片描述

制造业中的人工智能：通过创新改造产业

在所有生产流程中使用人工智能的力量：从优化生产工作流程到加强质量控制和预测性维护。
在这里插入图片描述

医疗保健领域的人工智能：更智能、更健康的未来解决方案

在这里插入图片描述

二、YOLO:简史

YOLO(You Only Look Once）是一种流行的物体检测和图像分割模型，由华盛顿大学的约瑟夫-雷德蒙（Joseph Redmon）和阿里-法哈迪（Ali Farhadi）开发。YOLO 于 2015 年推出，因其高速度和高精确度而迅速受到欢迎。

  • 2016 年发布的YOLOv2 通过纳入批量归一化、锚框和维度集群改进了原始模型。
  • 2018 年推出的YOLOv3 使用更高效的骨干网络、多锚和空间金字塔池进一步增强了模型的性能。
  • YOLOv4于 2020 年发布，引入了 Mosaic 数据增强、新的无锚检测头和新的损失函数等创新技术。
  • YOLOv5进一步提高了模型的性能，并增加了超参数优化、集成实验跟踪和自动导出为常用导出格式等新功能。
  • YOLOv6于 2022 年由美团开源，目前已用于该公司的许多自主配送机器人。
  • YOLOv7增加了额外的任务，如 COCO 关键点数据集的姿势估计。
  • YOLOv8是YOLO 的最新版本，由Ultralytics 提供。YOLOv8 YOLOv8 支持全方位的视觉 AI
    任务，包括检测、分割、姿态估计、跟踪和分类。这种多功能性使用户能够在各种应用和领域中利用YOLOv8 的功能。
  • YOLOv9 引入了可编程梯度信息 （PGI） 和广义高效层聚合网络 （GELAN） 等创新方法。
  • YOLOv10是由清华大学的研究人员使用该软件包创建的。 UltralyticsPython
    软件包创建的。该版本通过引入端到端头（End-to-End head），消除了非最大抑制（NMS）要求，实现了实时目标检测的进步。

三、anaconda安装

官网下载地址

填写你的email地址，下载链接会发送到你的邮箱里
在这里插入图片描述

百度网盘分享链接：Ultralytics YOLO - 最先进的视觉人工智能

具体操作请参考： Conda的安装与使用

三、 CUDA环境安装

请参考： CUDA超详细安装教程（windows版）

四、 安装pytorch CUDA版本

  1. 创建一个yolov8的conda环境

首先打开conda的终端
在这里插入图片描述
查看已经安装的环境：

 conda env  list

在这里插入图片描述
我们新建一个yolov8的conda环境，命令如下：
yolov8为环境名称，python=3.8为 python的版本

conda create -n yolov8 python=3.8

正在下载资源，稍等片刻，首次安装的话，下载资源时间会很长，耐心等待
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
切换成刚刚设置的环境

conda activate yolov8

在这里插入图片描述

打开官网：pytorch官网
进入首页，滚动条往下拉，下载指定的pytorch版本
在这里插入图片描述
选择pytorch的版本为 v2.2.2 。我的显卡cuda版本为 12.5，选择下载链接为 CUDA 12.1
在这里插入图片描述
在这里插入图片描述
在新建的conda环境中，执行安装pytorch cuda版本的命令

conda activate yolov8

conda install pytorch==2.2.2 torchvision==0.17.2 torchaudio==2.2.2 pytorch-cuda=12.1 -c pytorch -c nvidia

下载资源中，耐心等待
在这里插入图片描述
在这里插入图片描述

五、ultralytics(YOLOv8)安装

ultralytics：yolov8官方文档

  • 安装命令：不推荐使用这种方式安装，后续修改yolov8的源码无法生效。不过可以用来测试环境是否正确
pip install ultralytics

在这里插入图片描述

等待缺少的依赖下载完成

在这里插入图片描述
验证

yolo predict model=yolov8n.pt source='https://ultralytics.com/images/bus.jpg'

如果没有墙工具，这里下载的依赖太慢了，不需要验证了。后面采取另外一种方式
在这里插入图片描述
已经推理成功
在这里插入图片描述
在这里插入图片描述
推理成功
在这里插入图片描述

  • **源码安装：(**个人推荐，后面可以修改yolov8的源码，做定制化的开发**)

先卸载 刚刚安装的yolov8的的包
切换环境 conda activate yolov8
卸载 pip uninstall ultralytics
在这里插入图片描述
使用git工具下载源码 : https://github.com/ultralytics/ultralytics.git
使用pycharm工具打开源码包
第一次使用的参考链接： pycharm+conda配置虚拟环境

安装命令 ： pip install -e .

官方安装文档
在这里插入图片描述

一定要在项目的根目录下执行

在这里插入图片描述

如果报错信息是下面这种，把墙工具关闭掉。重新执行命令在这里插入图片描述
出现下图字样，恭喜你，安装成功
在这里插入图片描述
已经将验证的文件下载好了，放到项目的本地目录里。需要的话，从Gitee上获取 源码地址：Ultralytics YOLO - 最先进的视觉人工智能

在这里插入图片描述

百度网盘分享链接：Ultralytics YOLO - 最先进的视觉人工智能
网络不太好的，模型 yolov8n.pt 可从网盘里下载，放到根目录里即可
在这里插入图片描述
在这里插入图片描述

输入命令，验证yolov8是否安装正确

 yolo predict model=yolov8n.pt source='bus.jpg'

在这里插入图片描述
在这里插入图片描述

上面的是通过命令行的方式进行验证的，下面我们来通过代码的形式进行验证

先安装缺少的依赖

pip install pytest

右键 debug运行
在这里插入图片描述

祝贺你，yolov8至此以安装完毕

如果你也对视觉人工智能感兴趣的话，一起加入 犬薇同学 的开发中来, 本人VX：LJ1508613148，

在这里插入图片描述

犬薇
关注
  • 19
    点赞
  • 踩
  • 34
    收藏
    觉得还不错? 一键收藏
  • 4
    评论
专栏目录
手把手教你搭建YOLOv8环境，并进行训练、测试
qq_53545309的博客
10-09 5073
手把手教你搭建YOLOv8环境，并进行训练、测试
手把手教你搭建YOLOV8+CUDA环境，训练自定义数据集，训练推理验证导出。小白也能看得懂的！
专注于图像领域，主要研究内容包括计算机视觉和深度学习，特别是在图像分类、目标检测和图像生成等方面有深入的研究和实践经验。
05-18 5953
YOLO（You Only Look Once）系列算法因其高效、准确等特点而备受瞩目。由2023年Ultralytics公司发布了YOLO的最新版本YOLOv8是结合前几代YOLO的基础上的一个融合改进版。本文主要介绍YOLOv8环境搭建/数据集获取/训练/推理/验证/导出/部署
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
最新发布
immerseinstudy的博客
07-14 5792
工欲善其事必先利其器，学Yolov8必须首先学会环境搭建。
YOLOv8实战——安装篇_yolov8安装
2401_84010061的博客
04-13 954
基本涵盖了95%以上前端开发知识点，真正体系化！**
深度学习目标检测：yolov8(Ultralytics)环境配置，适合0基础小白，超详细
qq_67105081的博客
04-08 1万+
深度学习目标检测yolov8小白教程环境搭建，纯新手方便理解
yolo v8
记录/交流，加油啊呀...
05-30 2083
回归值相关的预测头的通道数均为16 × 4 = 64，三个特征层的shape为(20,20,64)，(40,40,64)，(80,80,64)。(320,320,64)-->(160,160,128)-->(80,80,256)-->(40,40,512)-->(20,20,1024*deep_mul)（1）经过卷积1*1，步长1后，对半劈开，以第一个CSP模块举例(160,160,128)-->(160,160,256)-->a1(160, 160, 128), a2(160,160,128)，
UltralyticsYOLOv8_ultralytics使用(1)
youpccc的博客
04-13 945
metrics.box.maps # a list contains map50-95 of each category 包含每个类别的50%-95% IoU阈值下的平均精度列表。results = model([‘bus.jpg’, ‘zidane.jpg’]) # 对 ‘bus.jpg’ 运行推断，返回结果列表。model = YOLO(‘yolov8n-seg.pt’) # 加载预训练的 YOLOv8n-seg 分割模型。# 打印包含检测到的类别概率的 Probs 对象。
YoloV8安装指南（新手初探，请大佬轻喷）
Mr.Xiwen博客
05-15 1118
yolov8安装
详解YOLOv8网络结构/环境搭建/数据集获取/训练/推理/验证/导出/部署
Snu77的博客
10-28 5万+
YOLO（You Only Look Once）系列算法因其高效、准确等特点而备受瞩目。由2023年Ultralytics公司发布了YOLO的最新版本YOLOv8是结合前几代YOLO的基础上的一个融合改进版。本文YOLOv8网络结构/环境搭建/数据集获取/训练/推理/验证/导出/部署，从网络结构的讲解从模型的网络结构讲解到模型的部署都有详细介绍，同时在本专栏中还包括YOLOv8模型系列的改进包括个人提出的创新点，传统卷积、注意力机制、损失函数的修改教程，能够帮助你的论文获得创新点。
超详细：YoloV8官方推荐免费数据集网站Roboflow一键导出Voc、COCO、Yolo、Csv等格式
走向CTO的路上...
07-12 992
YOLOv8是Ultralytics公司开源的最新目标检测算法，相比于YOLOv7，YOLOv8在速度和精度上都有了显著提升。Roboflow是YOLOv8官方推荐的免费数据集网站，提供大量标注数据集和数据增强工具，并支持一键导出Voc、COCO、Yolo、Csv等格式。
YOLOv8（源码）.rar
03-22
YOLOv8（源码）.rar
YOLOV5-7.0 环境搭建+训练数据集+目标检测实现 详细步骤
weixin_70601392的博客
08-07 8331
关于这一部分的前段时间花了很长时间，踩了很多坑走了很多弯路，由于目前课题已接近尾声，今天一次性把yolo这一部分个人经验总结出来，有些部分并非原创，如遇到问题可以留言讨论，共同进步。
YOLOV8——快速训练指南（上手教程、自定义数据训练）
TigerZ*的博客
01-16 4万+
本篇主要用于说明如何使用自己的训练数据，快速在YOLOV8 框架上进行训练。当前（20230116）官方文档和网上的资源主要都是在开源的数据集上进行测试，对于算法“小白”或者“老鸟”如何快速应用到自己的项目中，这个单纯看官方文档显得有点凌乱，因为YOLOV8 不再致力于做一个单纯算法，而是想要做一个一统（分类、检测、分割且多种模型）的框架。本文以检测为例。
YOLOv8详解 【网络结构+代码+实操】
热门推荐
zyw2002的博客
03-01 23万+
YOLOv8 算法的核心特性和改动可以归结为如下：提供了一个全新的 SOTA 模型，包括 P5 640 和 P6 1280 分辨率的目标检测网络和基于 YOLACT 的实例分割模型。和 YOLOv5 一样，基于缩放系数也提供了 N/S/M/L/X 尺度的不同大小模型，用于满足不同场景需求Backbone骨干网络和 Neck 部分可能参考了 YOLOv7 ELAN 设计思想，将 YOLOv5 的C3结构换成了梯度流更丰富的C2f结构，并对不同尺度模型调整了不同的通道数。
简单了解YOLOv8
w15136756855的博客
07-25 8964
YOLOv8简介
Ultralytics YOLOv8官方文档整理
网络资源是无限的
05-18 1935
Ultralytics YOLOv8官方文档整理
轻量级网络结构的目标检测算法——Yolov8介绍
Littro Innovations
12-04 2506
同时，Yolov8还采用了级联和金字塔的思想以及多尺度特征融合等技术，进一步提高了算法的性能。此外，Yolov8还采用了级联和金字塔的思想，使算法能够处理不同大小的目标。而Yolov8的双路径预测方式可以更好地适应不同大小的目标。相比之下，早期的Yolo算法采用了较重的网络结构，如Darknet等，导致运行速度较慢。同时，Yolov8还采用了级联和金字塔的思想，能够处理不同大小的目标，进一步提高了算法的效率。Yolov8算法采用了新的损失函数和紧密连接的网络结构，使得它在目标检测准确性上有所提高。
yolov--8--基于Tensorflow实现YOLO v3--动图展示
天明宇朗的博客
04-20 6181
Yolov-1-TX2上用YOLOv3训练自己数据集的流程(VOC2007-TX2-GPU) Yolov--2--一文全面了解深度学习性能优化加速引擎---TensorRT Yolov--3--TensorRT中yolov3性能优化加速（基于caffe） yolov-5-目标检测：YOLOv2算法原理详解 yolov--8--Tensorflow实现YOLO v3 yolov--9--Y...
spec: description: YOLO v8 via Ultralytics Pytorch runtime: 'python:3.8' handler: main:handler eventTimeout: 10000s build: image: cvat.pth.ultralytics.yolov8-detect baseImage: ultralytics/yolov5:latest directives: preCopy: - kind: USER value: root - kind: RUN value: apt update && apt install --no-install-recommends -y libglib2.0-0 - kind: WORKDIR value: /opt/nuclio - kind: RUN value: pip install supervision - kind: WORKDIR value: /opt/nuclio这个适用于YOLOV8的分割模型吗
07-20
抱歉，我无法确定您提供的 YAML 规范中的适用模型是否适用于 YOLOv8 的分割模型。因为根据您提供的规范，该模型是基于 Ultralytics PyTorch 平台的 YOLOv8 目标检测模型，而不是分割模型。YOLOv8 主要用于目标检测任务，而不是像分割模型那样对图像进行像素级别的分类。如果您需要使用 YOLOv8 进行目标检测任务，该规范可能适用；但如果您需要进行图像分割任务，您可能需要寻找其他适用的模型或框架。
评论 4
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