【YOLOV8训练检测模型（window+anaconda环境安装+部署）】_yolov8部署

简述

YOLOv8是Ultralytics开发的一种sota模型（哔哩吧啦省略一堆字）
本文主要简述YOLOv8 pytorch环境部署以及其如何使用命令行进行便捷训练的方法（以目标检测为例，后续有空再补充一下）

https://github.com/ultralytics/ultralytics # yolov8 github源码

1.创建conda虚拟环境

该步骤省略了anaconda的下载与安装，具体可以去查询其他博客大佬的文章

创建自定义命名的conda环境

win+r打开终端命令窗口，然后输入以下命令行创建环境
your-env-name： 自定义的环境名称
python=x.x： 使用的python版本

conda create -n your-env-name python=x.x

创建完成后，查看anaconda环境列表，刚才创建的环境是否在列表中

conda env list

激活环境&删除环境

创建环境后就可以进行激活环境，在虚拟环境中进行配置；当然创建错了也可以删除后进行重新创建

activate your-env-name #激活环境
remove -n your-env-name -all # 删除环境

2. 配置pytorch环境（GPU环境）

YOLOv8源码页面介绍有阐述，使用pip install ultralytics即可使用，但是本人在直接进行安装时，配置pytorch库出现超时问题，且pytorch库未必会适合你当前的使用环境。
该章节主要解决pytorch的配置问题，不使用指令进行下载pytorch。

查看显卡驱动版本

在cmd终端命令窗口中输入以下指令，查看左上角CUDA Version的打印信息，我这里是11.1版本

nvidia-smi

如果未安装CUDA驱动的，可以根据Driver Version信息去NVIDA官网安装驱动

安装pytorch

在pytorch版本查询页面，查看与自己的NVIDA Version相匹配的安装指令，从中查看匹配的pytorch和torchvision的版本号

如下图所示可以看到Linux and Window环境下CUDA 11.1，所对应的pytorch版本是1.9.1，torchvision版本是0.10.1

进入pytorch官网安装页面
找到对应的pytorch和torchvision的安装包（cp代表python版本，如果其中一个文件找不到对应版本，则重复上一步骤查询可匹配的其他版本）

下载完后把压缩包放到喜欢的路径下
在cmd终端命令窗口上，激活配置环境，并使用pip install进行配置

pip install torch-1.9.1+cu111-cp38-cp38-win_amd64.whl
pip install torchvision-0.10.1+cu111-cp38-cp38-win_amd64.whl

3.Ultralytics库配置

按照源码介绍，输入命令进行安装

pip install ultralytics

至此，环境配置已经完成了，剩下看环境运行缺什么就安装什么就好了，当然，作者在源码中也添加了配置清单，下载源码进行解压后，使用cd指令进入源码路径，使用以下命令进行配置

pip install -r requirements.txt

4. 模型训练

准备工作：数据集准备 + 数据集yaml描述文件 + v8模型yaml描述文件 + 预训练权重，除数据集外其余文件都放在同一文件夹中（方便处理，如果不适合在下面操作中补充文件绝对路径即可）

预训练模型权重

网络好的可以直接略过这里，后续步骤使用命令行操作时候，会自动下载权重，后续我想办法放一下权重文件（第一次写博客，有空再整一整）
如果下载好了yolov8n.pt模型，可以在终端窗口中进行以下步骤测试一下，成功后会在当前路径生成一个结果文件夹

activate your-env-name #激活环境
cd xxx #进入权重文件所在路径
yolo predict

数据集描述文件（以检测模型为例）

创建一个yaml文件（不会则创建txt文件后更改后缀成yaml），按以下内容填写
（当然，不用划分数据集也可以，调整路径即可，path不变，train和val指向同一文件夹，test可以空着）

# data path
path: 数据集路径（底下放置train、val、test等数据文件夹）
train:  train/images(path下训练数据集图片所在路径)
val: val/images(path下验证数据集图片所在路径)
test: test/images(path下测试数据集图片所在路径)

# classes num 类别数
nc: xx

#classes name
name:
 0: 'xxx'
 1: 'xxx'
 ...
1
2
3
4
5
6
7
8
9
10
11
12
13
14

开始训练

在训练之前可以查看一下yolo的配置参数有哪些，使用以下命令进行查看

yolo cfg

在终端中，可以使用以下命令进行训练：
任务：taskdetect、segment、pos
模式： modetrain、val、predict
模型： modelyolov8n.yaml、yolov8m.yaml、yolov8l.yaml、yolov8x.yaml 文件夹下只要有yolov8.yaml即可
输入大小： imgsz640、320、160
驱动：device0 、cpu

yolo task=detect mode=train model=yolov8x.yaml data=数据集.yaml batch=xx epochs=xx imgsz=xx device=xx