Yolov8从入门到上瘾(windows11+anaconda+CUDA+cuDNN+红绿灯数据集训练功能实现)

历时3天，在7位大神调教之下，从零开始完成了YOLOV8的搭建和自定义数据集的训练，特此记录如下，希望后来者少走弯路，弯道超车。

一. YOLOv8 从0开始环境搭建

参考1号大神：YOLOv8 从环境搭建到推理训练_河伯187的博客-CSDN博客​​​​​​

（一）ultralytics下载请参考1号大神方法

略，基础知识，不浪费篇幅

（二）Anaconda下载

不做伸手党，自行下载

（三）创建新环境yolov8

创建环境不用赘述了吧

（四）激活新环境YOLOV8

conda activate yolov8

（五）安装依赖（各种第三方库）

运行requirements.txt文件即可完成对所有库的安装

Note1:出现WARNING: Ignore distutils configs in setup.cfg due to encoding errors.

原因是 未设置全为UTF-8，参考如下2号大神链接

WARNING: Ignore distutils configs in setup.cfg due to encoding errors._hllyzms的博客-CSDN博客 

 

（六）安装ultralytics 

pip install ultralytics

（七）手动下载权重

https://github.com/ultralytics/assets/releases/download/v0.0.0/yolov8n.pt

拷到yolov8\ultralytics-main\ultralytics\yolo\v8\detect\yolov8n.pt

（八）测试运行

操作：首先进入到yolov8\ultralytics-main\ultralytics\yolo\v8\detect\predict.py，运行predict.py

python predict.py

（九）查看结果：

（十）操作命令，参见大神3号链接：

YOLOv8初体验：检测、跟踪、模型部署_DeepDriving的博客-CSDN博客

用命令行

yolo task=detect mode=predict model=yolov8n.pt source=ultralytics/assets/bus.jpg imgsz=640 show=True save

存储位置是绝对路径的: runs\detect\predict

 

视频检测

yolo task=detect mode=predict model=yolov8n.pt source=ultralytics/assets/test.mp4 imgsz=640 show=True save=True

Ultralytics YOLOv8.0.83  Python-3.8.16 torch-2.0.0+cpu CPU

YOLOv8n summary (fused): 168 layers, 3151904 parameters, 0 gradients, 8.7 GFLOPs

 

实例分割

yolo task=segment mode=predict model=yolov8x-seg.pt source=ultralytics/assets/test.mp4 imgsz=640 show=True save=True

 

调用摄像头

https://www.zhihu.com/question/445546731/answer/2989690866

yolo task=detect mode=predict model=yolov8n.pt source=0 imgsz=640 show=True save=True

 

停止用ctrl+c

二.引入GPU

大神4号参考链接：

YOLOv8项目推理从CPU到GPU_拉磨的驴肉火烧@Tieling Yu的博客-CSDN博客

YOLOv8项目推理从CPU到GPU

（一）.查看torch和torchvision版本

pip list

torch                         2.0.0

torchvision                   0.15.1

（二）.查看显卡支持的CUDA版本：nvidia-smi

可见，最高支持CUDA Version: 11.7 ，但后来发现11.7总是自动重启,

最终选择下载CUDA version 11.6

CUDA下载链接

CUDA Toolkit Archive | NVIDIA 开发者

（三）.根据自己的操作系统、构架、版本、安装方式选择。

 

（四）卸载掉所有NIVIDIA软件，然后再安装。但是一定要记住自己的安装目录，下面要用到。有请大神5号

CUDA安装和检测【全】（nvcc命令找不到的解决办法）_可靠的豆包蟹同志的博客-CSDN博客

注意安装要增加路径

（五）安装cuDNN

cuDNN Archive | NVIDIA 开发者

微信登陆，注意注册

解压出来，复制其中bin、include和lib，粘贴到CUDA的安装目录中。

C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.6

（六）安装pytorch

https://pytorch.org/get-started/previous-versions/

选择带有+cu的命令，我依据之前安装的版本，采用如下命令在anaconda的yolov8虚拟环境中进行了如下安装

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

（七）安装成功 quadro P500 2G显存

用实例分割来做还是比较慢

 

三. 训练自己的数据集

（零）用LabelImg标注，有请大神6号：

https://blog.csdn.net/FriendshipTang/article/details/126513426

 

以下训练自己的红绿灯，倒计时数据集方法，源自大神7号链接，细节请移步大神7号豪宅：

YOLOv8教程系列：一、使用自定义数据集训练YOLOv8模型（详细版教程，你只看一篇-＞调参攻略），包含环境搭建/数据准备/模型训练/预测/验证/导出等_Zhijun.li@Studio的博客-CSDN博客

（一）在yolov8/data目录下新建Annotations, images, ImageSets, labels 四个文件夹

images目录下存放数据集的图片文件
Annotations目录下存放图片的xml文件（labelImg标注）

（二）按比例划分数据集

在yolov8根目录下新建一个文件splitDataset.py，运行

（三） 将xml文件转换成YOLO系列标准读取的txt文件

在同级目录下再新建一个文件XML2TXT.py, 注意classes = [“…”]一定需要填写自己数据集的类别，运行

（四） 查看自定义数据集标签类别及数量 （类型数量不多，此步跳过）

（五）修改数据加载配置文件

进入data/文件夹，新建RBG.yaml，内容如下，注意txt需要使用绝对路径

 

（六）开始训练

yolo task=detect mode=train model=yolov8n.pt data=data/RGB.yaml batch=4 epochs=100 imgsz=640 workers=4 device=0

注意这里根据显卡的实际情况要调整batch和workers值，作为上古GPU，只能都设置为4

Results saved to runs\detect\train3

 

 

7.模型验证

使用如下命令，即可完成对验证数据的评估

yolo task=detect mode=val model=runs/detect/train3/weights/best.pt data=data/RGB.yaml device=0

 

Results saved to runs\detect\val

8.模型预测

使用如下命令，即可完成对新数据的预测，source需要指定为自己的图像路径，或者摄像头（0）

yolo task=detect mode=predict model=runs/detect/train3/weights/best.pt source=data/images device=0

 

Results saved to runs\detect\predict6