YOLOv8安装步骤

使用Conda安装

Conda 是 pip 的替代软件包管理器，也可用于安装。更多详情请访问 Anaconda：https://anaconda.org/conda-forge/ultralytics 。Ultralytics 用于更新 conda 软件包的 feedstock 资源库位于https://github.com/conda-forge/ultralytics-feedstock/。

安装代码

# Install the ultralytics package using conda
conda install -c conda-forge ultralytics

备注

如果在CUDA 环境中安装，最佳做法是安装 ultralytics, pytorch 和 pytorch-cuda 在同一命令中允许 conda 软件包管理器解决任何冲突，或者安装 pytorch-cuda 最后，允许它覆盖CPU-specific pytorch 如有必要，请将该程序包添加到"… "中。

Install all packages together using conda

conda install -c pytorch -c nvidia -c conda-forge pytorch torchvision pytorch-cuda=11.8 ultralytics

Conda Docker 映像

Ultralytics Conda Docker 映像还可从 DockerHub.这些图像基于 迷你世界3 是开始使用 ultralytics 在 Conda 环境中。

# Set image name as a variable
t=ultralytics/ultralytics:latest-conda

# Pull the latest ultralytics image from Docker Hub
sudo docker pull $t

# Run the ultralytics image in a container with GPU support
sudo docker run -it --ipc=host --gpus all $t  # all GPUs
sudo docker run -it --ipc=host --gpus '"device=2,3"' $t  # specify GPUs

环境设置

将C:\ProgramData\anaconda3\Lib\site-packages\ultralytics 添加到环境变量

使用pip安装

安装代码

# Install the ultralytics package from PyPI
pip install ultralytics

您还可以安装 ultralytics 直接从 GitHub 知识库.如果您需要最新的开发版本，这可能会很有用。确保在系统中安装了 Git 命令行工具。Git 命令行工具 @main 命令安装 main 分支，并可修改为另一个分支，即 @my-branch或完全删除，默认为 main 分支。

# Install the ultralytics package from GitHub
pip install git+https://github.com/ultralytics/ultralytics.git@main

备注

参见 ultralytics pyproject.toml 文件中的依赖项列表。请注意，上述所有示例都安装了所有必需的依赖项

参考链接

验证代码

from ultralytics import YOLO

# Create a new YOLO model from scratch
model = YOLO("yolov8n.yaml")

# Load a pretrained YOLO model (recommended for training)
model = YOLO("yolov8n.pt")

# Train the model using the 'coco8.yaml' dataset for 3 epochs
results = model.train(data="coco8.yaml", epochs=3)

# Evaluate the model's performance on the validation set
results = model.val()

# Perform object detection on an image using the model
results = model("D:/Code4/bus.jpg")

# Export the model to ONNX format
success = model.export(format="onnx")

这段代码展示了如何使用Ultralytics的YOLO（You Only Look Once）框架来训练、验证、测试以及导出一个物体检测模型。下面是每一行代码的解释：

1. from ultralytics import YOLO:
   导入YOLO类，这是Ultralytics库提供的用于YOLO模型的接口。

2. model = YOLO("yolov8n.yaml"):
   创建一个新的YOLO模型，这个模型是从配置文件yolov8n.yaml中定义的。这通常用于从头开始训练一个新模型。

3. model = YOLO("yolov8n.pt"):
   加载一个预训练的YOLO模型，这对于继续训练或直接使用已有模型进行推理是非常有用的。

4. results = model.train(data="coco8.yaml", epochs=3):
   使用指定的数据集配置文件coco8.yaml来训练模型，训练轮数为3次。coco8.yaml文件包含了数据集的位置和其他训练相关的参数。

5. results = model.val():
   在验证集上评估模型的表现。这将返回模型性能的一些统计数据，如精度等。

6. results = model("D:/Code4/bus.jpg"):
   对位于D:/Code4/bus.jpg的图像执行物体检测。结果将包含检测到的对象的位置、类别和置信度等信息。

7. success = model.export(format="onnx"):
   将训练好的模型导出为ONNX格式，这是一种开放格式，可以使得模型在多种框架之间共享。success变量将会记录导出是否成功。

这些步骤覆盖了从创建或加载模型，到训练、评估、应用以及最终导出模型的基本流程。这样的流程在开发和部署机器学习模型时是非常常见的。