【深度学习之YOLO8】环境部署

已于 2024-02-22 11:10:58 修改
阅读量1.3w 收藏 195
点赞数 29
文章标签： 深度学习 python 算法 pytorch 边缘计算
于 2023-07-20 20:17:52 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_43376286/article/details/131838647
版权

原文https://jinke.love/blog-deeplearning/15.html，注册用户可私信免费解锁完整文章

目录

Ultralytics YOLOv8 是一款前沿、最先进（SOTA）的模型，基于先前 YOLO 版本的成功，引入了新功能和改进，进一步提升性能和灵活性。YOLOv8 设计快速、准确且易于使用，使其成为各种物体检测与跟踪、实例分割、图像分类和姿态估计任务的绝佳选择。

配置Python环境变量
创建conda环境
配置CUDA环境变量
配置cuDNN文件
下载安装PythonSDK
拉取yolo8 GitHub项目到本地
Anaconda安装
下载安装CUDA toolkit
下载PyTorch
下载cuDNN
环境测试

除了拉取代码不需要验证，其他都需要自己check下到底是不是真安装成功了

一、确定版本

CUDA toolkit、cuDNN版本

  1. 查看显卡的CUDA支持的最高版本，我的是12.2.79，后面安装的CUDA toolkit和cuDNN大版本不能超过它
    在这里插入图片描述
  2. 进PyTorch官网，查看支持的CUDA最高版本，即：我的电脑torch是最高支持11.8的CUDA
    在这里插入图片描述

由以上两点，得出安装的CUDA、cuDNN不能超11.8，那我后面这俩安装<=11.8

Python、PyTorch版本

torch、python各版本兼容情况表

torchtorchvisionPython
main / nightlymain / nightly>=3.8, <=3.11
2.00.15>=3.8, <=3.11
1.130.14>=3.7.2, <=3.10
1.120.13>=3.7, <=3.10
1.110.12>=3.7, <=3.10
1.100.11>=3.6, <=3.9
1.90.10>=3.6, <=3.9
1.80.9>=3.6, <=3.9
1.70.8>=3.6, <=3.9
1.60.7>=3.6, <=3.8
1.50.6>=3.5, <=3.8
1.40.5==2.7, >=3.5, <=3.8
1.30.4.2 / 0.4.3==2.7, >=3.5, <=3.7
1.20.4.1==2.7, >=3.5, <=3.7
1.10.3==2.7, >=3.5, <=3.7
<=1.00.2==2.7, >=3.5, <=3.7

上面有CUDA、cuDNN版本<=11.8

再在进PyTorch官网，预览一下DUDA<=11.8的有哪些

考虑到后面可能会用到其他组件，相互兼容的不是特别及时，所以我选了11.6的CUDA，看到PyTorch有1.13.0支持CUDA11.6的，那么在上面 torch、python各版本兼容情况表 里可以得出：我的电脑CUDA、duDNN、PyTorch它们三个，和Python互相兼容的py版本范围是3.7.2 ~ 3.10
所以，py版本不宜过高，基本都是向下兼容，YOLO5的默认SDK版本是3.7，YOLO8的默认SDK版本是3.8

最终版本选择
名版本号
Python3.8.0
CUDA toolkit11.6.0
cuDNN11.x
PyTorch1.13.0
TorchAudio0.13.0
TorchVision0.14.0

二、安装Python

下载

已经有Python的需要卸载干净，去官网找自己对应版本的安装包(要卸载哪个就找哪个版本的exe安装包)，比如找3.8.0的，下载运行点击Uninstall进行卸载

电脑无Python残留，或没有安装过Python，进官网版本列表下载自己要的版本，一路确认即可，尽量是不要安在有中文的路径下，后面的安装也是

环境变量

将Python安装目录和里面的Scripts文件夹路径放在Path里

C:\Users\Administrator\AppData\Local\Programs\Python\Python38
C:\Users\Administrator\AppData\Local\Programs\Python\Python38\Scripts

验证安装

win+r后键入cmd确认，出现版本号

python -V
或者
python --version

在这里插入图片描述

三、安装Anaconda

一个易于安装的包管理器、环境管理器和 Python 发行版，包含 1,500 多个开源包，并提供 免费社区支持。Anaconda与平台无关，因此无论在Windows、macOS还是Linux上都可以使用它，与它类似的有pip。

安装

进Anaconda官网，点下载，无脑下一步即可

环境变量

将以下四个路径添加进Path
在这里插入图片描述

验证安装

conda -V

创建conda虚拟环境

后面的操作都是基于这个虚拟环境，最好是用管理员打开终端

CommandNotFoundError: Your shell has not been properly configured to use ‘conda activate
第一次激活环境，可能有这个错误，根据提示使用conda init，重启cmd。或者使用source activate env_name使环境可用。

# 创建虚拟环境
conda create -n yolov8 python=3.8.0
# 激活虚拟环境(切换至这个环境)
conda activate yolov8
# 查看已创建的虚拟环境
conda info -e

常用命令

# 查看版本
conda --version # 或者 conda -V
# 更新conda
conda update conda
# 更新Anaconda
conda update Anaconda
# 查看环境配置
conda config --show
# 查看安装了哪些包
conda list
# 查看Anaconda仓库有没有这个想要的包
conda search package_name
# 新增镜像channel
conda config --add channels mirrors_url
# 移除镜像channel
conda config --add channels mirrors_url
# 查看配了哪些镜像channel
conda config --show channels
# 设置清华镜像
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/bioconda/
# 设置bioconda
conda config --add channels bioconda
conda config --add channels conda-forge
# 设置搜索时显示通道地址
conda config --set show_channel_urls yes
# 创建虚拟环境
conda create -n env_name python=3.8
# 查看虚拟环境
conda env list #或conda info -e 或conda info --envs
# 激活虚拟环境
conda activate env_name
# 退出当前虚拟环境
conda deactivate
# 删除虚拟环境
conda remove -n env_name --all
# 安装包(在当前虚拟环境)
conda install package_name=package_version
# 更新包(在当前虚拟环境)
conda update package_name
# 删除包(在当前虚拟环境)
conda remove --name env_name  package_name
# 卸载包
conda uninstall package_name
# 增量卸载包(如果有虚拟环境在用，会跳过这个小包，就是不全卸载)
conda uninstall package_name --force
# 删除没有在用的包
conda clean -p
# 清理缓存
conda clean -y -all
# 变更Python版本
conda install python=3.5 #升级到最新版conda update python
# 查看配置文件地址 (默认`C:\Users\用户名\.condarc`)
conda info #user config file那行
# conda初始化
conda init

四、安装CUDA toolkit

下载

官网下载，跳转翻阅之前版本，找到CUDA-11.6.0下载

安装，注意下面两步，其他默认
## 环境变量

默认安装在：C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.6
Path加入下面这5个路径（安装默认配了bin和libnvvp）。
在这里插入图片描述

验证安装

cmd窗口输入：nvcc -V
在这里插入图片描述

或者
cmd切换CUDA安装目录，进extras/demo_suite目录，执行里面的bandwidthTest.exe，再执行deviceQuery.exe，结果显示PASS即是成功
在这里插入图片描述

五、配置cuDNN

通俗点讲，cuDNN就是CUDA toolkit的一个补丁，深度学习需要这个补丁才能使用API驱动GPU的CUDA

下载

进官网，需要登陆NVIDIA账号，并且注册成开发者，完成后进入下载界面

解压，全选复制，黏贴到CUDA安装目录，全部"是"即可

## 验证配置 cuDNN的验证放在后面

六、安装PyTorch(torch+torchversion+torchaudio)

一种开源深度学习框架，以出色的灵活性和易用性著称。

下载

打开cmd，进入之前创建的虚拟环境yolov8，复制torch官网conda语句，安装PyTorch

在这里插入图片描述
官网安装PyTorch语句在这，一定要看好自己需要哪个torch版本、cuda版本

conda activate yolov8
# -c pytorch可以去掉，即不指定pytorch官方channel下载，国内快一点
conda install pytorch==1.13.0 torchvision==0.14.0 torchaudio==0.13.0 pytorch-cuda=11.6 -c nvidia
# 或者pip下载 (2选1)
pip install torch==1.13.0+cu116 torchvision==0.14.0+cu116 torchaudio==0.13.0 --extra-index-url https://download.pytorch.org/whl/cu116

如果有CondaHTTPError: HTTP 000 CONNECTION FAILED for url ...的错误， 修改conda配置文件，把下面内容全部替换掉原来的，重启命令行，进环境再install一下
配置文件默认地址C:\Users\{用户名}\.condarc

show_channel_urls: true
channels:
  - http://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/
  - http://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
  - http://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
ssl_verify: false

channels：镜像源
ssl_verify：关闭SSL安全认证
show_channel_urls：从channel安装某个包时，显示channel的url

验证torch安装

官方验证，进cmd，进python环境，输入下面三行，看打印结果

import torch
x = torch.rand(5, 3)
print(x)

# 样例输出
tensor([[0.3380, 0.3845, 0.3217],
        [0.8337, 0.9050, 0.2650],
        [0.2979, 0.7141, 0.9069],
        [0.1449, 0.1132, 0.1375],
        [0.4675, 0.3947, 0.1426]])

在这里插入图片描述

七、环境测试

我使用的是IDEA，也可以用PyCharm，下面是用PyCharm演示

部署测试环境

先不新建项目，打开之前拉取下拉的yolo8 GitHub项目，配下上面新建的conda环境yolov8，查看虚拟环境放哪了可以用conda info -e

拉取后打开Pycharm，给这个项目配下上面创建的conda虚拟环境yolov8

左下角终端打开，安装项目依赖

pip install -r requirements.txt

验证cuDNN

打开后新建一个自定义文件夹，new一个py文件，贴上以下代码，运行查看结果

import torch
# 查看pytorch版本
print(f'pytorch版本: {torch.version.__version__}')
# 查看显卡GPU是否可用
print(f'GPU是否可用: {torch.cuda.is_available()}')
# 查看GPU可用数
print(f'GPU可用数: {torch.cuda.device_count()}')
# 查看CUDA版本
print(f'CUDA版本: {torch.version.cuda}')
# 查看CUDA-cuDNN版本
print(f'cuDNN版本: {torch.backends.cudnn.version()}')
quit()

如果你看到GPU可用为True，那cuDNN就是安装成功了，此时环境就是GPU版本的了
在这里插入图片描述

验证YOLOv8

这时就可能用到这个官网中文README。使用方式有两种，命令行(CLI) 和 Python代码

CLI

在项目里有个图片ultralytics/assets/bus.jpg，可以使用yolov8n.pt模型对这个图片做一个简单的推理

# 需要先安好这个库
pip install ultralytics
yolo predict model=yolov8n.pt source='可以填文件绝对路径或者网络上的图片url'

在这里插入图片描述

推理结果保存在了runs\detect\predict，我在C:\Users\Administrator>执行的这个命令，所以文件在C:\Users\Administrator\runs\detect\predict

在这里插入图片描述

Python Code

from ultralytics import YOLO

# 加载模型
# model = YOLO("yolov8n.yaml")  # 从头开始构建新模型
model = YOLO("yolov8n.pt")  # 加载预训练模型（建议用于训练）

# 使用模型
# model.train(data="coco128.yaml", epochs=3)  # 训练模型
metrics = model.val()  # 在验证集上评估模型性能
results = model(source='ultralytics/assets/bus.jpg')  # 对图像进行预测
results.print()  # 打印结果
# success = model.export(format="onnx")  # 将模型导出为 ONNX 格式

第一次运行此代码需要下载coco的标签包，要等待好长时间，结果例子如下，没有报错环境就部署成功了

Speed: 0.2ms preprocess, 3.1ms inference, 0.0ms loss, 0.7ms postprocess per image
Results saved to runs\detect\val7

image 1/1 D:\GitProjects\ultralytics\ultralytics\assets\bus.jpg: 640x480 4 persons, 1 bus, 23.9ms
Speed: 2.0ms preprocess, 23.9ms inference, 2.0ms postprocess per image at shape (1, 3, 640, 480)
Ultralytics YOLOv8.0.138  Python-3.9.13 torch-1.13.0+cu116 CPU (Intel Core(TM) i9-9900K 3.60GHz)

PyTorch: starting from runs\detect\train11\weights\best.pt with input shape (1, 3, 640, 640) BCHW and output shape(s) (1, 84, 8400) (6.2 MB)

ONNX: starting export with onnx 1.14.0 opset 16...
ONNX: export success  0.7s, saved as runs\detect\train11\weights\best.onnx (12.2 MB)

Export complete (2.2s)
Results saved to D:\GitProjects\ultralytics\runs\runs\detect\train11\weights
Predict:         yolo predict task=detect model=runs\detect\train11\weights\best.onnx imgsz=640 
Validate:        yolo val task=detect model=runs\detect\train11\weights\best.onnx imgsz=640 data=D:\GitProjects\ultralytics\ultralytics\cfg\datasets\coco128.yaml 
Visualize:       https://netron.app

进程已结束,退出代码0

八、可能出现的问题

  • 乱码提示需要运行pip install --no-cache "py-cpuinfo"，在这可能需要先更新pip，按照提示即可
    在这里插入图片描述
  • xxx

九、附yolo命令参数解释

GitHub官方对所有参数的解释

task

  • detect：指定任务为目标检测，即通过模型识别图像或视频中的物体，然后在图像上标注出它们的位置。
  • classify：指定任务为图像分类，即通过模型将图像分为不同的类别。
  • segment：指定任务为图像分割，即将图像分割为不同的区域，并为每个区域分配一个标签。

mode

  • train：指定模式为训练模式，用于训练模型。
  • predict：指定任务为预测，即使用训练好的模型对新的图像进行预测。
  • val：指定验证模式，用于评估模型在验证集上的性能。
  • export：指定任务为导出模型，即将训练好的模型导出到其他格式，如ONNX。

model

  • yolov8n.pt：指定模型的文件名或路径，其中yolov8n.pt表示模型的文件名。
  • yolov8n-cls.yaml：指定用于图像分类的模型配置文件的文件名或路径。
  • yolov8n-seg.yaml：指定用于图像分割的模型配置文件的文件名或路径。
KeyValueDescription
dataNone数据文件路径，例如 coco128.yaml
imgsz640图像尺寸，可以是一个标量或 (h, w) 的列表，例如 (640, 480)
batch16每个批次的图像数（-1 表示自动批处理）
save_jsonFALSE是否将结果保存为 JSON 文件
save_hybridFALSE是否保存标签的混合版本（标签 + 额外的预测结果）
conf0.001目标置信度阈值，用于检测
iou0.6NMS（非最大抑制）的交并比阈值
max_det300每张图像的最大检测数
halfTRUE是否使用半精度（FP16）
deviceNone运行模型的设备，例如 cuda device=0/1/2/3 或 device=cpu
dnnFALSE是否使用 OpenCV DNN 进行 ONNX 推断
plotsFALSE训练过程中是否显示图表
rectFALSE针对最小填充的每个批次进行矩形验证
splitval用于验证的数据集拆分，例如 ‘val’、‘test’ 或 ‘train’
春马与夏
关注
  • 29
    点赞
  • 踩
  • 195
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 2
    评论
模型部署+目标检测YOLOv5+tensorrt加速 - int8量化
02-27
由于C++语言的运行优势，多数算法模型在实际应用时需要部署到C++环境下运行，以提高算法速度和稳定性 本文主要讲述WIn10下在VS工程中通过Opencv部署yolov5模型，步骤包括： 1.python环境下通过export.py导出.onnx...
基于YOLO v5的物体检测ROS功能包实践.
03-03
测试环境: Ubuntu 18.04/ROS Melodic/Nvidia Jetson Nano上, PyTorch 1.10.1, cudatoolkit=10.2. 此外,ROS Melodic默认python2.7的cv_bridge, 但Pytorch使用Python3 所以还需要为ROS 安装基于Python3的cv_bridge,...
基于YOLOv8的羊群识别检测系统源码(部署教程+训练好的模型+各项评估指标曲线).zip
08-22
基于YOLOv8的羊群识别检测系统源码(部署教程+训练好的模型+各项评估指标曲线).zip 平均准确率：0.96 类别：“sheep” 【资源介绍】 1、ultralytics-main ultralytics-main为YOLOv8源代码，里面涵盖基于yolov8分类、目标检测额、姿态估计、图像分割四部分代码，我们使用的是detect部分，也就是目标检测代码 2、搭建环境 安装anaconda 和 pycharm windows系统、mac系统、Linux系统都适配 在anaconda中新建一个新的envs虚拟空间(可以参考博客来)，命令窗口执行：conda create -n YOLOv8 python==3.8 创建完YOLOv8-GUI虚拟空间后，命令窗口执行：source activate YOLOv8 激活虚拟空间 然后就在YOLOv8虚拟空间内安装requirements.txt中的所有安装包，命令窗口执行：pip install -r requirements.txt 使用清华源安装更快 3、训练模型过程 进入到\ultralytics-main\ultralytics\yolo\v8\detect\文件夹下，datasets即为我们需要准备好的数据集，训练其他模型同理。 data文件夹下的bicycle.yaml文件为数据集配置文件，该文件为本人训练自行车检测模型时创建，训练其他模型，可自行创建。博文有介绍https://blog.csdn.net/DeepLearning_?spm=1011.2415.3001.5343 train.py中238行，修改为data = cfg.data or './bicycle.yaml' # or yolo.ClassificationDataset("mnist") 237行修改自己使用的预训练模型 若自己有显卡，修改239行，如我有四张显卡，即改成args = dict(model=model, data=data, device=”0,1,2,3“) 以上配置完成后运行train.py开始训练模型，训练完毕后会在runs/detect/文件夹下生成train*文件夹，里面包含模型和评估指标等 4、推理测试 训练好模型，打开predict.py，修改87行，model = cfg.model or 'yolov8n.pt'，把yolov8n.pt换成我们刚才训练完生成的模型路径(在\ultralytics-main\ultralytics\yolo\v8\detect\runs\detect文件夹下)，待测试的图片或者视频存放于ultralytics\ultralytics\assets文件夹， 运行predict.py即可，检测结果会在runs/detect/train文件夹下生成。
YOLOv8环境搭建
m0_63172128的博客
08-01 1万+
直接按照路径会有问题，找到自己 requirements.txt 文件路径，我这里是pip install -r D:\ultralytics-main\ultralytics-main\requirements.txt。首先去自己的anaconda的安装的envs（虚拟环境），在导航栏输入cmd，进入命令窗口。到官方网站下载yolo模型 ，下载好后解压，里面有个文件requirements.txt。然后安装ultralytics ，这是必须的。
YOLOV8项目部署
最新发布
weixin_72608251的博客
03-25 1906
自定义数据集我们在项目下创建一个datasets文件夹数据结构如下所示：我们按照上面创建目录结构，将对应的数据放进去我在这里只是演示，所以放的少修改数据集的路径我们复制一下这个文件，制作一个我们的配置文件修改类别数我们像上次一样复制这个文件，将后面的数字修改为自己的类别数OK，至此数据集制作完毕。
YOLOV8目标识别——详细记录从环境配置、自定义数据、模型训练到模型推理部署
知来者逆的博客
11-14 1万+
详细记录YOLOv8目标检测算法，从数据收集、环境配置、模型训练、模型部署，保姆级教程
【yolov8】从0开始搭建部署YOLOv8，环境安装+推理+自定义数据集搭建与训练，一小时掌握
奥怪的小栈
01-15 3万+
包括 一、（ultralytic）YOLOV8项目部署 二、cuda、cudnn、Pytorch等环境安装与卸载 三、YOLOV8的简单讲解与推理使用 四、如何制作自定义数据集并训练
智慧交通基于YOLOv8的行人车辆检测计数系统源码(部署教程+训练好的模型+各项评估指标曲线).zip
08-22
智慧交通基于YOLOv8的行人车辆检测计数系统源码(部署教程+训练好的模型+各项评估指标曲线).zip 平均准确率：0.91 类别：person、truck、car、bus、traffic light 【资源介绍】 1、ultralytics-main ultralytics-main为YOLOv8源代码，里面涵盖基于yolov8分类、目标检测额、姿态估计、图像分割四部分代码，我们使用的是detect部分，也就是目标检测代码 2、搭建环境 安装anaconda 和 pycharm windows系统、mac系统、Linux系统都适配 在anaconda中新建一个新的envs虚拟空间(可以参考博客来)，命令窗口执行：conda create -n YOLOv8 python==3.8 创建完YOLOv8-GUI虚拟空间后，命令窗口执行：source activate YOLOv8 激活虚拟空间 然后就在YOLOv8虚拟空间内安装requirements.txt中的所有安装包，命令窗口执行：pip install -r requirements.txt 使用清华源安装更快 3、训练模型过程 进入到\ultralytics-main\ultralytics\yolo\v8\detect\文件夹下，datasets即为我们需要准备好的数据集，训练其他模型同理。 data文件夹下的bicycle.yaml文件为数据集配置文件，该文件为本人训练自行车检测模型时创建，训练其他模型，可自行创建。博文有介绍https://blog.csdn.net/DeepLearning_?spm=1011.2415.3001.5343 train.py中238行，修改为data = cfg.data or './bicycle.yaml' # or yolo.ClassificationDataset("mnist") 237行修改自己使用的预训练模型 若自己有显卡，修改239行，如我有四张显卡，即改成args = dict(model=model, data=data, device=”0,1,2,3“) 以上配置完成后运行train.py开始训练模型，训练完毕后会在runs/detect/文件夹下生成train*文件夹，里面包含模型和评估指标等 4、推理测试 训练好模型，打开predict.py，修改87行，model = cfg.model or 'yolov8n.pt'，把yolov8n.pt换成我们刚才训练完生成的模型路径(在\ultralytics-main\ultralytics\yolo\v8\detect\runs\detect文件夹下)，待测试的图片或者视频存放于ultralytics\ultralytics\assets文件夹， 运行predict.py即可，检测结果会在runs/detect/train文件夹下生成。
适合小白的超详细yolov8环境配置+实例运行教程，从零开始教你如何使用yolov8训练自己的数据集（Windows+conda+pycharm）
热门推荐
CV在读
11-21 5万+
yolov8源码下载地址：GitHub - ultralytics/ultralytics: NEW - YOLOv8 🚀 in PyTorch > ONNX > OpenVINO > CoreML > TFLiteyolov8使用文档： Home - Ultralytics YOLOv8 Docs教学视频参考： 包会！YOLOv8训练自己的数据集_哔哩哔哩_bilibili先用conda prompt创建一个虚拟环境，我的叫yolov8, python版本用3.10 源码地址：GitHub - ul
YOLOV8模型训练+部署（实战）
AI小花猫的博客
06-07 5万+
YOLOV8模型改进点简介、模型转ONNX以及TRT engine、python版本TRT推理、C++版本TRT推理详解
YOLOV8实例分割——详细记录环境配置、自定义数据处理到模型训练与部署
知来者逆的博客
09-04 1万+
yolov8实例分割，从数据处理到模型训练与模型部署保姆级教程
YoloV8之环境配置
Jumy_S的博客
09-24 2656
YoloV8环境配置
yolov8超详细从配置环境到训练测试
weixin_46873015的博客
05-25 9599
超详细，半天让你使用好yolov8代码
基于YOLOv8+pyqt5实现的过马路玩手机打电话检测告警系统源码(GUI界面+数据集+模型+评估曲线+部署说明).zip
08-11
基于YOLOv8+pyqt5实现的过马路玩手机打电话检测告警系统源码(GUI界面+数据集+模型+评估曲线+部署说明) 检测斑马线、玩手机、打电话、行人、车辆、其他。简易的GUI界面，含有训练好的模型、评估指标曲线、数据集、...
基于YOLOv8的车辆+车牌检测系统源码(部署教程+训练好的模型+各项评估指标曲线).zip
08-22
基于YOLOv8的车辆+车牌检测系统源码(部署教程+训练好的模型+各项评估指标曲线).zip 平均准确率：0.96 类别：car、plate 【资源介绍】 1、ultralytics-main ultralytics-main为YOLOv8源代码，里面涵盖基于yolov8分类...
智慧农业基于YOLOv8的香蕉成熟度分级识别系统源码(部署教程+训练好的模型+各项评估指标曲线).zip
08-22
智慧农业基于YOLOv8的香蕉成熟度分级识别系统源码(部署教程+训练好的模型+各项评估指标曲线).zip 平均准确率：0.905 类别：very-ripe、immature、mid-ripe 【资源介绍】 1、ultralytics-main ultralytics-main为...
智慧交通-基于深度学习YOLOv5实现道路车辆行人检测及行驶速度识别系统python源码(含模型+使用说明+报告文档).zip
05-06
智慧交通-基于深度学习YOLOv5实现道路车辆行人检测及行驶速度识别系统python源码(含模型+使用说明+报告文档).zip 【资源介绍】 该项目包含完整源码+模型+算法文档+报告文档+使用说明， 使用时，请先看项目使用说明和...
基于YOLOv8的细胞检测计数系统源码(部署教程+训练好的模型+各项评估指标曲线).zip
08-22
基于YOLOv8的细胞检测计数系统源码(部署教程+训练好的模型+各项评估指标曲线).zip 平均准确率：0.98 类别：RBC、WBC、platelets 【资源介绍】 1、ultralytics-main ultralytics-main为YOLOv8源代码，里面涵盖基于...
基于YOLOv8的牛羊识别检测系统源码(部署教程+训练好的模型+各项评估指标曲线).zip
08-22
基于YOLOv8的牛羊识别检测系统源码(部署教程+训练好的模型+各项评估指标曲线).zip 平均准确率：0.91 类别：“sheep”，“cow” 【资源介绍】 1、ultralytics-main ultralytics-main为YOLOv8源代码，里面涵盖基于...
deepstream怎么部署yolo环境
04-29
要在 DeepStream 中部署 YOLO 环境，需要执行以下步骤： 1. 安装 NVIDIA GPU 驱动程序和 CUDA 以及 cuDNN 库。 2. 安装 DeepStream SDK。可以从 NVIDIA 官方网站上下载并安装。 3. 下载 YOLOv3 模型文件和配置文件。 4. 将 YOLOv3 模型文件和配置文件放在 DeepStream 安装目录下的 samples/models/yolo 目录中。 5. 创建一个 DeepStream 应用程序配置文件，以指定使用哪个模型、哪个输入源以及如何处理输出结果。 6. 启动 DeepStream 应用程序，并使用上述配置文件进行配置。 7. 检查输出结果，确保 DeepStream 正确检测到了物体。 需要注意的是，部署 YOLO 环境需要对深度学习、计算机视觉和 DeepStream SDK 有一定的了解。如果您不熟悉这些技术，建议您先学习相关知识再进行部署。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 2
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

打赏作者

春马与夏

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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