（最全最小白易懂版）Yolov8新手教程-配置环境、数据集处理、目标检测、结果分析处理（图像指标、可视化结果）、报错分析等全过程学习记录

已于 2024-07-30 15:30:54 修改
阅读量2.4k 收藏 46
点赞数 15
分类专栏： 复现 文章标签： YOLO 学习
于 2024-07-26 21:10:51 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_53826699/article/details/140527391
版权

目录

一、安装环境（配置yolo、demo测试）

二、数据集准备（格式学习）

三、训练数据集

1.划分数据集

2.训练数据集

2.1常规训练

2.2微调

3.各种报错记录

3.1AttributeError

3.2TypeError

3.3Error while loading conda entry point

4.训练结果

4.1 RGB-yolov8n(train16/train)

4.2 RGB-yolov8s(train2)

4.3 RGB-yolov8m

4.4 RGB-yolov8l

4.5 RGB-yolov8x

4.6 NIR-yolov8n

4.7 NIR-yolov8m

4.8 NIR-yolov8l

4.9 NIR-yolov8x

4.10 NIR-yolov8s

四、验证（val）

五、预测结果(predict)

六、数据处理和分析

七、总结

写在前面：这篇笔记全过程花了大概两天的时间，第一部分花了一下午，第二部分+第三部分花了一下午+一晚上，第四+五部分也是一下午，最后结果分析花了一晚上时间。（完全Yolo零基础，只复现过一个深度学习算法的小白）

一、安装环境（配置yolo、demo测试）

最开始先连接服务器，相关内容如下（本地跑不动我的数据集）

服务器安装基本环境教程icon-default.png?t=N7T8https://blog.csdn.net/qq_53826699/article/details/140666990?csdn_share_tail=%7B%22type%22%3A%22blog%22%2C%22rType%22%3A%22article%22%2C%22rId%22%3A%22140666990%22%2C%22source%22%3A%22qq_53826699%22%7D

Pycharm教程icon-default.png?t=N7T8https://blog.csdn.net/weixin_45662399/article/details/134499605?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522172129266716800188593845%2522%252C%2522scm%2522%253A%252220140713.130102334..%2522%257D&request_id=172129266716800188593845&biz_id=0&utm_medium=distribute.pc_search_result.none-task-blog-2~all~top_positive~default-1-134499605-null-null.142%5Ev100%5Epc_search_result_base6&utm_term=YOLOV8&spm=1018.2226.3001.4187我用的是VsCode，全程在安装ultralytics包的过程中出了一点小问题（注意神秘的力量，安装的时候不要开，否则一直会报SSL Error），总共花了大约两小时完成了全部配置+demo测试（bus和自己用了一张图）

其他常见问题比如HTTP Error可以看我之前写的这篇文章：

Anaconda-HTTP Error、SSLErro怎么解决【5种方法综合试验后最强版解决方案】icon-default.png?t=N7T8https://blog.csdn.net/qq_53826699/article/details/140520692?spm=1001.2014.3001.5501

首先cd到requirements.txt的路径上，然后执行下述命令行

pip install requirements.txt
pip install ultralytics
pip install yolo

总共就这三行指令的事，其他博客写的那个天花乱坠啊，注意点如下：

1、 神秘力量（有时候开着不能安装，有时候开着安装更快（不知道

2、记得activate环境之后再Pip这些玩意哦

然后pip list检查一下是否安装成功（如下图所示，即为成功）

pip list

然后测试一下是否可以运行（注意好路径）

yolo predict model=yolov8n.pt source=ultralytics/ultralytics/assets/bus.jpg

 运行命令后可以实现检测，结果保存在runs->detect->predict文件夹下， 可以看到已经完成了目标框和类别概率的显示和绘制

看不懂的话还可参考以下两篇文章：

https://blog.csdn.net/weixin_45819759/article/details/131962654icon-default.png?t=N7T8https://blog.csdn.net/weixin_45819759/article/details/131962654https://blog.csdn.net/weixin_45662399/article/details/134499605?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522172126313516800222832426%2522%252C%2522scm%2522%253A%252220140713.130102334..%2522%257D&request_id=172126313516800222832426&biz_id=0&utm_medium=distribute.pc_search_result.none-task-blog-2~all~top_positive~default-1-134499605-null-null.142%5Ev100%5Epc_search_result_base6&utm_term=yolov8&spm=1018.2226.3001.4187icon-default.png?t=N7T8https://blog.csdn.net/weixin_45662399/article/details/134499605?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522172126313516800222832426%2522%252C%2522scm%2522%253A%252220140713.130102334..%2522%257D&request_id=172126313516800222832426&biz_id=0&utm_medium=distribute.pc_search_result.none-task-blog-2~all~top_positive~default-1-134499605-null-null.142%5Ev100%5Epc_search_result_base6&utm_term=yolov8&spm=1018.2226.3001.4187

二、数据集准备（格式学习）

修改yaml文件，给出了数据集的路径、训练集、验证集和测试集所在的位置

三、训练数据集

1.划分数据集

先找到数据分割的.py文件，然后一定要修改路径！！！

python splitDataset.py

上图所示，即为分割成功~并且会生成test.txt和train.txt两个文件

2.训练数据集

2.1常规训练

  • data = datasets/mmship/data/RGB/MMship.yaml
  • model = yolov8n.yaml
  • pretrained = ultralytics/yolov8n.pt
  • epoch = 12
yolo detect train data = ultralytics/datasets/mmship/data/RGB/MMship.yaml model=yolov8n.yaml pretrained=ultralytics/yolov8n.pt epochs=12 batch=4 lr0=0.001  resume=True

yolo detect train data = ultralytics/datasets/mmship/data/RGB/MMship.yaml model=yolov8n.yaml pretrained=ultralytics/yolov8n.pt epochs=12 batch=4 lr0=0.001  resume=True

2.2微调

考虑上wd和数据增强的指令行如下：

yolo detect train data=ultralytics/datasets/mmship/data/RGB/MMship.yaml model=yolov8n.yaml pretrained=ultralytics/yolov8n.pt epochs=12 batch=4 lr0=0.001 resume=True device=0 augment=True weight_decay=0.05

yolo detect train data = ultralytics/datasets/mmship/data/RGB/MMship.yaml model=yolov8n.yaml pretrained=ultralytics/yolov8n.pt epochs=12 batch=4 lr0=0.001 resume=True device=0 augment=True weight_decay=0.05

3.各种报错记录

3.1AttributeError

AttributeError: module 'torch.amp' has no attribute 'GradScaler'

解决方案：找到GradScaler这个函数（ctrl+点击函数），然后将 torch.amp.GradScaler 改为torch.cuda.amp.GradScaler

上个问题解决了，重新运行一下：

3.2TypeError

然后又报错：TypeError: full() received an invalid combination of arguments - got (tuple, str, device=torch.device, dtype=torch.dtype), but expected one of:
 * (tuple of ints size, Number fill_value, *, tuple of names names, torch.dtype dtype, torch.layout layout, torch.device device, bool pin_memory, bool requires_grad)
 * (tuple of SymInts size, Number fill_value, *, Tensor out, torch.dtype dtype, torch.layout layout, torch.device device, bool pin_memory, bool requires_grad)

解决方案：

torch.full((1,), self._init_scale, dtype=torch.float32, device=dev)

torch.full((1,), self._init_scale, dtype=torch.float32, device=dev)

def full(size: _size, fill_value: Union[Number, _complex], *, out: Optional[Tensor] = None, layout: _layout = strided, dtype: Optional[_dtype] = None, device: Optional[DeviceLikeType] = None, requires_grad: _bool = False, pin_memory: _bool = False) -> Tensor:

def full(size: _size, fill_value: Union[Number, _complex], *, names: List[Union[str, None]], layout: _layout = strided, dtype: Optional[_dtype] = None, device: Optional[DeviceLikeType] = None, requires_grad: _bool = False, pin_memory: _bool = False) -> Tensor:

def full(size: Sequence[Union[_int, SymInt]], fill_value: Union[Number, _complex], *, out: Optional[Tensor] = None, dtype: Optional[_dtype] = None, layout: Optional[_layout] = None, device: Optional[Optional[DeviceLikeType]] = None, pin_memory: Optional[_bool] = False, requires_grad: Optional[_bool] = False) -> Tensor:

def full(size: _size, fill_value: Union[Number, _complex], *, names: Optional[Sequence[Union[str, ellipsis, None]]], dtype: Optional[_dtype] = None, layout: Optional[_layout] = None, device: Optional[Optional[DeviceLikeType]] = None, pin_memory: Optional[_bool] = False, requires_grad: Optional[_bool] = False) -> Tensor:

根据报错信息,传递给torch.full()函数的参数组合不正确。报错信息给出了两种正确的签名:

  1. (tuple of ints size, Number fill_value, *, tuple of names names, torch.dtype dtype, torch.layout layout, torch.device device, bool pin_memory, bool requires_grad)
  2. (tuple of SymInts size, Number fill_value, *, Tensor out, torch.dtype dtype, torch.layout layout, torch.device device, bool pin_memory, bool requires_grad)

从提供的四个函数定义来看,最接近的应该是第一种签名。尝试如下修改:

torch.full((1,), self._init_scale, dtype=torch.float32, device=dev)

或者

torch.empty(1, dtype=torch.float32, device=dev)
torch.full((1,), self._init_scale, out=out)

这里的关键是:

  1. size 参数应该是一个 tuple,即使只有一个元素也要用 (1,) 的形式传递。
  2. fill_value 参数应该是一个 Number,您传递的 self._init_scale 应该满足这个要求。
  3. 其他可选参数 names、layout、pin_memory、requires_grad 您可以不传,使用默认值即可。

哈哈哈哈哈

以为以上有用吗！

不！！！！！！！！

你只要安一个高版本的torch!!!

就解决啦！！！！！！！！！！

纯纯是torch内嵌包的问题啦！！！！！

3.3Error while loading conda entry point

然后创建环境的时候又有一个问题，但是貌似啥都不影响

Error while loading conda entry point: anaconda-cloud-auth (cannot import name 'Callable' from 'collections' (/data1/zhangjiening/anaconda3/lib/python3.12/collections/__init__.py))

然后就训练上了wwww

4.训练结果

练结束后训练结果都保存在runs这个文件夹下，可以看到有所有的指标曲线的可视化；

还有模型训练出来的权重，best.pt为训练的最好的一组权重，后面可以使用。

4.1 RGB-yolov8n(train16/train)

train16是2.1中指令，如下图所示

yolo detect train data = ultralytics/datasets/mmship/data/RGB/MMship.yaml model=yolov8n.yaml pretrained=ultralytics/yolov8n.pt epochs=12 batch=4 lr0=0.001  resume=True

yolo detect train data = ultralytics/datasets/mmship/data/RGB/MMship.yaml model=yolov8n.yaml pretrained=ultralytics/yolov8n.pt epochs=12 batch=4 lr0=0.001  resume=True

train是2.2中指令，如下图所示

yolo detect train data=ultralytics/datasets/mmship/data/RGB/MMship.yaml model=yolov8n.yaml pretrained=ultralytics/yolov8n.pt epochs=12 batch=4 lr0=0.001 resume=True device=0 augment=True weight_decay=0.05

yolo detect train data=ultralytics/datasets/mmship/data/RGB/MMship.yaml model=yolov8n.yaml pretrained=ultralytics/yolov8n.pt epochs=12 batch=4 lr0=0.001 resume=True device=0 augment=True weight_decay=0.05

我要复现的结果，如下图所示

4.2 RGB-yolov8s(train2)

yolo detect train data=ultralytics/datasets/mmship/data/RGB/MMship.yaml model=yolov8s.yaml pretrained=ultralytics/yolov8s.pt epochs=12 batch=4 lr0=0.001 resume=True device=0 augment=True weight_decay=0.05

yolo detect train data=ultralytics/datasets/mmship/data/RGB/MMship.yaml model=yolov8s.yaml pretrained=ultralytics/yolov8s.pt epochs=12 batch=4 lr0=0.001 resume=True device=0 augment=True weight_decay=0.05

然后报错：

Downloading https://github.com/ultralytics/assets/releases/download/v8.2.0/yolov8s.pt to 'ultralytics/yolov8s.pt'...
⚠️ Download failure, retrying 1/3 https://github.com/ultralytics/assets/releases/download/v8.2.0/yolov8s.pt...
curl: (28) Failed to connect to github.com port 443: 连接超时                                                   #          #         #        #                   
Warning: Transient problem: timeout Will retry in 1 seconds. 3 retries left.

解决方案：纯网络原因，重新下载就好了啦

结果如下图：

4.3 RGB-yolov8m(train3)

yolo detect train data=ultralytics/datasets/mmship/data/RGB/MMship.yaml model=yolov8m.yaml pretrained=ultralytics/yolov8m.pt epochs=12 batch=4 lr0=0.001 resume=True device=0 augment=True weight_decay=0.05

4.4 RGB-yolov8l(train4)

yolo detect train data=ultralytics/datasets/mmship/data/RGB/MMship.yaml model=yolov8l.yaml pretrained=ultralytics/yolov8l.pt epochs=12 batch=4 lr0=0.001 resume=True device=0 augment=True weight_decay=0.05

4.5 RGB-yolov8x(train5)

yolo detect train data=ultralytics/datasets/mmship/data/RGB/MMship.yaml model=yolov8x.yaml pretrained=ultralytics/yolov8x.pt epochs=12 batch=4 lr0=0.001 resume=True device=0 augment=True weight_decay=0.05

4.6 NIR-yolov8n(train6)

yolo detect train data=ultralytics/datasets/mmship/data/NIR/MMship.yaml model=yolov8n.yaml pretrained=ultralytics/yolov8n.pt epochs=12 batch=4 lr0=0.001 resume=True device=0 augment=True weight_decay=0.05

4.7 NIR-yolov8m(train7)

yolo detect train data=ultralytics/datasets/mmship/data/NIR/MMship.yaml model=yolov8m.yaml pretrained=ultralytics/yolov8m.pt epochs=12 batch=4 lr0=0.001 resume=True device=0 augment=True weight_decay=0.05

4.8 NIR-yolov8l(train8)

yolo detect train data=ultralytics/datasets/mmship/data/NIR/MMship.yaml model=yolov8l.yaml pretrained=ultralytics/yolov8l.pt epochs=12 batch=4 lr0=0.001 resume=True device=0 augment=True weight_decay=0.05

4.9 NIR-yolov8x(train9)

yolo detect train data=ultralytics/datasets/mmship/data/NIR/MMship.yaml model=yolov8x.yaml pretrained=ultralytics/yolov8x.pt epochs=12 batch=4 lr0=0.001 resume=True device=0 augment=True weight_decay=0.05

4.10 NIR-yolov8s(train10)

yolo detect train data=ultralytics/datasets/mmship/data/NIR/MMship.yaml model=yolov8s.yaml pretrained=ultralytics/yolov8s.pt epochs=12 batch=4 lr0=0.001 resume=True device=0 augment=True weight_decay=0.05

四、验证（val）

进行模型的验证，这里的models为训练的最好的那一组权重

yolo detect val data = ultralytics/datasets/mmship/data/RGB/MMship.yaml model=runs/detect/train16/weights/best.pt batch=4

五、预测结果(predict)

随便找一张图片进行预测，可以看到标注出来了所属类别、位置和概率值

yolo predict model=runs/detect/train16/weights/best.pt source=ultralytics/datasets/mmship/data/RGB/images/0001032.jpg

六、数据处理和分析

文件里面jpg文件都是些可视化展示

png文件包含数据集分析和训练过程的指标，都是yolo自动生成的

主要看两个results文件，指标是AP和mAP

参数配置是yaml文件，训练好的模型参数文件是pt

yolo有很多可配置的参数，具体可以参考官方

https://docs.ultralytics.com/tasks/detect/#trainicon-default.png?t=N7T8https://docs.ultralytics.com/tasks/detect/#train后续会更新对上述实验结果的数据处理，会新发一篇完整的笔记并将link放这~可以关注一下

七、总结

1. 大多数情况下gpt/poe对于代码报错的解释，给出的解释都没问题，但是轻易不要相信他提出的任何解决方案，基本都是没用的。

去github直接搜你的报错，然后看有回复的贴子

或者去goole直接搜报错，看最新的有回复的帖子

或者来CSDN（但大多数不靠谱，特别是时间久远的，版本都不对应）

2. 路径啊 路径啊 路径啊 重要的事情说三遍 时刻关注路径！！无论是安装的时候，还是运行的时候，最先关注的都应该是路径是否正确！

3.各种内嵌类型的报错，或者很难搜索到的报错，都极有可能是版本问题造成的

JennnyZhang
关注
专栏目录
YOLOv8、YOLOv10、YOLO11环境搭建、创建数据集、训练推理教程（超级详细）
我的青春一去不复返
08-29 4000
YOLOv8、YOLOv10、YOLO11使用教程，适合和我一样的小白
基于Anaconda 的YOLO V8 环境一键恢复文件
08-30
基于Anaconda 的YOLO V8 环境一键恢复文件，可以一键恢复配置好的虚拟环境，进行YOLOv8模型训练，模型预测，模型导出等等操作！ 通过以下指令可以进行环境恢复！ 查看现有虚拟环境 conda env list 从配置文件还原环境 conda env create -f ****.yml 删除虚拟环境 conda remove --name **** --all 切换虚拟环境 conda activate ****
YOLOV8全环境配置教程（图文教程，30分钟可配置完成！！）
最新发布
weixin_46600829的博客
09-26 8459
YOLOv8全环境搭建
基于YOLOv8和pyqt5的可用于自行车违规停放检测告警项目源码(含数据集、模型、简易GUI界面、超详细部署教程)-可作毕设
09-04
基于YOLOv8和pyqt5的可用于自行车违规停放检测告警项目源码(含数据集、模型、简易GUI界面、超详细部署教程)-可作毕设 【项目介绍】 基于YOLOv8的共享自行车识别检测计数系统(可升级为违规停放检测告警)，新开发的项目，适合于比赛、课设、毕设。资源提供自行车数据集、训练好的yolov8模型及各种评估曲线，GUI界面，项目详细部署说明，按照操作一步步来，很容易运行起来，模型准确率达到98%。 可自己按照教程操作训练其他模型！ 欢迎下载使用，有问题可随时与我私信或留言！！！ 包您运行成功，还可以再此基础上，提出新要求，帮您开发实现！！！ 【备注】 1、该资源内项目代码都经过测试运行成功，功能ok的情况下才上传的，请放心下载使用！ 2、本项目适合计算机相关专业(如计科、人工智能、通信工程、自动化、电子信息等)的在校学生、老师或者企业员工下载使用，也适合小白学习进阶，当然也可作为毕设项目、课程设计、作业、项目初期立项演示等。 3、如果基础还行，也可在此代码基础上进行修改，以实现其他功能，也可直接用于毕设、课设、作业等。 欢迎下载，沟通交流，互相学习，共同进步！
从零开始使用YOLOv8——环境配置与极简指令（CLI）操作：1篇文章解决—直接使用：模型部署 and 自建数据集：训练微调
qq_58718853的博客
07-29 3472
本篇介绍yolov8官方的安装流程以及安装中一些报错的解决，并根据官方文档的命令行指令，实现yolov8模型的基本使用以及自建数据集微调训练
【目标检测】2024最新-用YOLOv8训练自己的数据集（保姆级教学）
Natsuago的博客
01-24 2万+
本文章主要方便大家学会如何使用yolov8训练自己数据集得到识别模型，跟着步骤一步一步来基本没有问题，我用的IDE是Pycharm2024.1，包含如何加载conda环境
超级详细的YOLOV8教程
hellow_xqs的博客
12-29 3029
超级详细的YOLOV8教程
YOLOv8使用教程
qq_52178584的博客
07-16 1428
YOLOv8是目标检测领域的最新突破，它继承并优化了前代YOLO模型的设计理念。YOLOv8通过引入深度学习中的前沿技术，如自注意力机制和跨尺度特征融合，实现了对不同大小目标的高效检测。模型的轻量化设计降低了计算资源需求，使得YOLOv8能够在各种硬件平台上快速运行。此外，YOLOv8还增强了模型的泛化能力，使其在多种复杂场景下都能保持稳定的检测性能。
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 14万+
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 快速入门(万字解析）
爱编程的鱼的博客
05-20 2203
本文是 YOLOv8 入门指南（大佬请绕过），将会详细讲解安装，配置，训练，验证，预测等过程注意：如果遇到权重文件，模型文件下载缓慢的问题，可以在自己本机上下载，再上传到服务器。也可以选择代理或是 IDM 这样的下载软件然后下载 zip 压缩包即可。
keras-yolov3目标检测详解——适合新手
12-21
现在网上能找到的博客我现在看起来很明白，虽然讲的很详细，但是对于几天前的我真的看不明白，因为新手会遇到各种各样毫无征兆的问题，所以我决定写一篇面向新手的如何去使用 yolo 和如何去做自己的数据集来训练属于...
YOLOv8有效改进系列及项目实战目录 包含卷积，主干 注意力，检测头等创新机制 以及 各种目标检测分割项目实战案例
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。
05-06 3万+
大家好！欢迎阅读本专栏。本专栏涵盖了YOLO8中C2f、主干网络、检测头、注意力机制、Neck等多种结构的创新，同时也包括了 YOLO相关的基础知识以及相关项目。
新手小白快速看懂yolov8模型训练结果图表，通过mAP、Precision、Recall等评价性能
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。
05-22 3326
新手小白快速看懂yolov8模型训练结果图表，通过mAP、Precision、Recall等评价性能： confusion_matrix.png、confusion_matrix_normalized.png、F1_curve.png、labels.jpg labels_correlogram.jpg、P_curve.png、PR_curve.png、R_curve.png、results.png
YOLOv8 | 代码逐行解析(一) | 项目目录构造分析
Snu77的博客
12-16 2万+
Hello，大家好这次给大家带来的不是改进，是整个YOLOv8项目的分析，整个系列大概会更新7-10篇左右的文章，从项目的目录到每一个功能代码的都会进行详细的讲解，同时YOLOv8改进系列也突破了三十篇文章，最后预计本专栏持续更新会在年底更新上百篇的改进教程， 所以大家如果没有订阅专栏可以提前订阅以下。下面开始进行YOLOv8逐行解析的一篇——项目目录构造分析在这里给大家推荐我的YOLOv8改进有效涨点专栏，本专栏目前为新开的平均质量分98分，后期我会根据各种最新的前沿顶会进行论文复现，。
YOLOv5旋转目标检测系统：源码、数据集与模型
资源摘要信息: "本资源包包含了基于YOLOv5的旋转目标检测系统完整的源码、相关数据集以及训练好的模型文件。适用于期末大作业、课程设计等场景，特别适合初学者（小白）使用，操作简单且能够取得高分。整个项目通过...
制作自己的YOLOv8数据集
qq_54334713的博客
04-25 1334
本文介绍了如何制作自己的YOLOv8数据集
⭐⭐⭐全网最详细YOLOv8教程，从环境配置到自己训练，再到数据集的制作，包的各位⭐⭐⭐
weixin_74840239的博客
05-15 5204
问题原因：当你“pip install ultralytics” 时，torch和torchvision会作为它的依赖一起安装了，当执行“pip install torch torchvision torchaudio --index-url。”时，会卸载torch，然后再安装torch+cuda版本，但是不会自动卸载torchvision已有版本，然后再安装torchvision+cuda版本。🎉🎉🎉恭喜各位道友，已经可以训练模型了，现在就是制作自己的数据集，所谓申神通秘境，随心所欲，万物皆可识别也。
新手小白yolov8环境部署+训练模型教程
m0_74131262的博客
06-09 6286
新手小白yolov8环境部署+训练模型教程
yolov8配置文件
08-11
关于yolov8的配置文件，你可以参考官方文档和仓库中的相关指引。在官方文档中，有训练指引和快速教程可以帮助你了解yolov8的配置和使用方法。此外，还可以参考一些第三方的教程和博客，比如CSDN上的《YOLOV8部署保姆教程》。在这些教程中，会详细介绍如何创建yolov8环境以及配置文件的设置。同时，官方的GitHub仓库也提供了示例配置文件和相关代码，可以作为参考。通过这些资源，你应该可以找到有关yolov8配置文件的详细信息和示例。123 #### 引用[.reference_title] - *1* *2* *3* [Win10环境下yolov8快速配置与测试](https://blog.csdn.net/m0_72734364/article/details/128815530)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v92^chatsearchT0_1"}} ] [.reference_item] [ .reference_list ]
评论
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