yolov8训练环境搭建

一、环境搭建：
  1、VSCode安装Python环境

  2、安装CUDA11.8 和 cuDNN
    https://zhuanlan.zhihu.com/p/102966512
    
  3、安装Miniconda3

  4、Miniconda创建运行环境

    conda create -n yv8 python=3.8
    conda activate yv8

  5、Pytorch安装

    conda install pytorch torchvision torchaudio pytorch-cuda=11.8 -c pytorch -c nvidia

  6、安装yolov8环境

    pip install ultralytics
    
    如果pip失败
    conda install -c conda-forge ultralytics
    
    测试环境：
    yolo task=detect mode=predict model=yolov8n.pt  imgsz=640 show=True save=True

二、自定义数据训练：
  1、下载YOLOV8项目放到磁盘任意位置用VSCode打开，python环境选择yv8
    github链接：https://github.com/ultralytics/ultralytics

  2、创建自己的训练数据目录结构在F盘根目录创建文件夹,此次文件路径名最好别改，实际测试中改了名字训练时会报错    

datasets
    ├─ test
    │    ├─ images
    │    └─ labels
    ├─ train
    │    ├─ images
    │    └─ labels
    ├─ valid
    │    ├─ images
    │    └─ labels
    └─ data.yaml (需要自行指定 test train valid 的images路径 以及训练输出的分类和个数)

  3、将源标定文件导入到训练数据集中
    使用createDatasets.py文件image_dir指定输入标定源图和label_dir指定标定信息

4、使用数据集进行训练，参数看步骤1中源码ultralytics/cfg/default.yaml进行调整和设置    

yolo task=detect mode=train model=E:/WorkSpace/VSCode/yv8Train/datasets/yolov8.yaml data=E:/WorkSpace/VSCode/yv8Train/datasets/data.yaml epochs=1000 imgsz=640 resume=True workers=4
    
    参数简述：
      a、mode:模式选择  train训练  predict识别
      b、model：训练或者实别调用的库支持pt和yaml
      c、data：数据指向训练数据集中自己创建的data.yaml
      d、epochs：训练时的数据集轮询的次数
      e、imgsz：训练数据的分辨率 
        当前对应分辨率640*640  [480,640]对应分辨率640*480

      f、resume：中断续训,训练过程中发送中断可以继续接上  
        续训：yolo task=detect mode=train model=E:/WorkSpace/VSCode/yv8Train/runs/detect/train/weights/last.pt epochs=1000 imgsz=640 resume=True workers=4
        次数model等于断续前输出的last.pt的位置

      g、workers：开多少个线程进行数据加载
        一般开始是将num_workers设置为等于计算机上的CPU数量然后开始往下调，选一个最优值

      h、patience：训练结果多少轮没有变化则自动停止训练
      i、name：输出目录文件夹名
      j、plots：训练输出目录是否覆盖，如果是False每次训练都会自动生成一个输出目录
      k、batch：设置GPU的最高占用率

 5、识别    

yolo task=detect mode=predict model=E:/WorkSpace/VSCode/yv8Train/runs/detect/train/weights/best.pt conf=0.25 source='F:/PIC/test/1.jpg'

      参数简述：
      a、task：模式选择  train训练  predict识别
      b、model：此时选择训练输出目录的best.pt
      c、conf：置信度
      d、source：识别的图片路径

三、其他：
  1、python文件，均需要在yv8下运行
    Pytorch环境校验 checkEnv.py
    训练数据导入，建好文件夹后createDatasets.py
    train.py 训练的python文件，可以用此python进行训练完全抛弃命令行

  2、参考文章    
    参考视频