Yolov8的基本使用

一、引言

1.1 声明

声明：
  本文章仅供学习交流使用，不提供完整代码，严禁用于商业用途和非法用途，否则由此产生的一切后果均与本人无关，请各位自觉遵守相关法律法规。
  本文章未经许可禁止转载，禁止任何二次修改(加工)后的传播；若有侵权，联系删除。

交流、合作请留言，24小时内回复！

1.2 简介

  yolov8的安装与基本使用

1.3 代办

  由于时间有限，本文目前只描述了思路和自己实际用到的部分代码，未完成所有内容的撰写，后续有时间再补充。

二、Yolov8安装部署

官网 Quickstart 英文版安装教程

2.1 环境依赖

英文不好的，可看 gitee之readme.md文档 ，此处的环境要求：Python>=3.8 and PyTorch>=1.8。

2.1.1 Python>=3.8

这个好弄，本机有3.10的主环境，也有虚拟环境的管理工具，直接再生成一个3.10的虚拟环境使用即可。

mkvirtualenv --python="D:\Program Files\Python310\python.exe" yolo8310

2.1.2 PyTorch>=1.8

建议先将GPU的驱动更新至最新版本
进入任务管理器，查看自己GPU的型号

官网下载 对应型号的驱动 https://www.nvidia.cn/Download/index.aspx?lang=cn

下载完成后，开始安装。安装位置、安装选项等等安装默认即可(过程忘记截图了)。

打开终端，输入nvidia-smi 命令，查看CUDA Driver的版本,本机为 CUDA Version:12.3

那么选择CUDA Runtime时，要选择小于12.3的最大版本。
去Pytorch 官网 https://pytorch.org/ 选择适合自己的Pytorch进行下载安装。

下载速度还可以，就不切换源了，下载较慢的可以修改其他下载源试试效果。

数分钟安装完毕，查看pytorch包是否可用

import torch
print("版本:",torch.__version__,"\tGPU是否可用:",torch.cuda.is_available(),"\tGPU个数:",torch.cuda.device_count())

2.2 ultralytics(yolov8)安装

前面的环境配置好之后，可以开始安装yolov8了。

上图所示：官网中介绍了多种安装方式，基础较弱的可以选择 pip install ultralytics 这种方式，本文选择 Git clone方式。

2.2.1 pip install -e . 可编辑模式安装

以下命令copy自官网，若不想配置git,可以绕过第一步的clone命令,手动打开github地址,下载项目的zip压缩包,然后解压。

# Clone the ultralytics repository
git clone https://github.com/ultralytics/ultralytics	


# Navigate to the cloned directory
cd ultralytics

# Install the package in editable mode for development
pip install -e .

安装完之后pip list查看一下,通过pip install -e 模式安装的包,后面会有一个路径显示。

2.2.2 测试效果

• 可以直接在命令行界面（CLI）运行yolo命令。
  下图中的命令含义是：使用yolo的yolov8n.pt模型对bus.jpg这张图进行预测。yolov8n.pt模型不存在的话,会自动下载，但是可能下载速度比较慢
  
  预测结果为： 4 persons, 1 bus, 1 stop sign。
  标记图片保存在：项目目录下的 runs\detect\predict 文件夹内，名称同source。
  
• 也可以在python中使用

from ultralytics import YOLO

# 从头开始创建新的YOLO模型
model = YOLO('yolov8n.yaml')

# 加载预先训练的YOLO模型（建议用于训练）
model = YOLO('yolov8n.pt')

# 使用coco128.yaml数据集对模型进行3轮的训练
results = model.train(data='coco128.yaml', epochs=3)

# 评估模型在验证集上的性能
results = model.val()

# 使用模型对图像执行对象检测
results = model('https://ultralytics.com/images/bus.jpg')

# 将模型导出为ONNX格式
success = model.export(format='onnx')

加载预先训练的YOLO模型

使用coco128.yaml数据集对模型进行3轮的训练，会有一些过程输出。
Results saved to runs\detect\train2

识别图片，结果输出。results.names可以看到训练集只有80个分类,所以使用此数据集也仅仅只能识别这80个分类中的物品
自己训练的模型，最终只识别到了1个人，效果暂时不论，现在已经能够把流程跑通了，后续就可以尝试训练自己需要的模型了。

三、数据标注工具

当我们想要自己训练模型时，就需要自己准备数据集，前期的数据标注工作就很重要，这时就得先选择一个合适的标注工具。

3.1 labelImg

一种常用的矩形标注工具，常用于目标识别和目标检测。labelimg是使用Python语言编写，界面用Qt设计的，因此需要先安装pyqt5。

pip install pyqt5
pip install labelimg
labelimg # 命令行启动即可

安装完之后，在命令行输入labelimg启动。

使用方式可以参考下面的截图注释

终端里也能看到保存日志输出。