YOLOv8目标跟踪环境配置笔记（完整记录一次成功）_yolov8适配python 3.8.0吗

前言

YOLOv8是基于目标检测算法YOLOv5的改进版，不仅仅可以实现目标检测，其还内置有Byte-Tracker、Bot-Tracker多目标跟踪算法。因此直接复现YOLOv8来进行这两种算法的调用是十分方便高效的。

1、配置前的环境准备

1.1 CUDA toolkit、cuDNN版本

（1）查看显卡的CUDA支持的最高版本，按住键盘Win+R打出cmd然后按住Enter键，打开命令行窗口，输入nvidia-smi

我这里最高支持的版本是12.2，后面安装的CUDA toolkit和cuDNN大版本不能超过它，（我下载的是CUDA11.6+cudnn8.4）版本。

（2） CUDA安装（11.6）

CUDA toolkit Download：CUDA Toolkit Archive | NVIDIA Developer

在CUDA网站下载对应的版本：

下载安装包：

可以在D盘新建一个文件夹CUDA11.6来放置下载好的安装包，双击进行安装。

**安装CUDA：**保持路径默认即可

在CUDA的安装路径这里，保持默认就好，默然安装在C盘(保证C盘有足够空间，防止后期编译找不到CUDA的路径)。

安装完成后：

查看环境变量是否存在：

后面如果下载了其他的CUDA版本需要切换，直接在这里的环境v11.6后面的数字改掉就可以定位到了

如果系统变量没有自动配置的话，需要我们手动配置。路径是根据前面是否自己有没有修改来指定。

**最后：**配置好环境变量后，我们检查下CUDA是否安装成功。

• 打开cmd
• 输入

nvcc -V 

或

nvcc --version

显示cuda_11.6成功安装完成！

（3）CUDNN安装（8.4）

官网下载：cuDNN Archive | NVIDIA Developer

CUDNN需要对应安装的CUDA版本

可以建立一个cudnn8.4文件夹存放下载安装包

下载完成后解压全部的文件后：

CUDA和CUDNN安装成功！！！

1.2 安装Anaconda配置虚拟环境

具体安装步骤这里不再阐述，网上教程很多，可以参考深度学习环境配置(pytorch版本)----超级无敌详细版（有手就行）

安装完一定要设置环境变量，将以下四个路径添加进Path

验证安装是否成功

conda -V

如果没有设置环境变量会报错显示conda不是内部或外部命令

下面创建conda虚拟环境

在anaconda环境下新建一个环境。可以使用windows cmd命令行(前提是配置好anaconda环境变量)，当然也可以使用 Anaconda Powershell Prompt（推荐使用这种方式）

YOLOv8需要3.8或以上的Python版本（我这里用的3.8版本），而且项目需要的torch版本不低于1.8。

然后输入下面的命令新建一个名为yolo8的环境

# 创建虚拟环境
conda create -n yolov8 python=3.8.0
# 激活虚拟环境(切换至这个环境)
conda activate yolov8
# 查看已创建的虚拟环境
conda info -e

其中base是anaconda自带的基础环境，yolov8是我们自己创建的python虚拟环境

1.3 安装Pycharm编译器

具体安装过程不再阐述，教程有很多，我用的是Pycharm2018版本

2、YOLOv8下载与安装配置

2.1 下载

源码链接：https://github.com/ultralytics/ultralytics/blob/main/README.zh-CN.md

这是官网链接，但是最新更新后发现requirements.txt配置文件没了，变成了pyproject.toml不太会用，所以我没有采用这个链接

我用的链接（很多教程也是基于这个链接）：https://github.com/ultralytics/ultralytics

点击下载压缩包

下载下来的样子

因为解压之后会里外会套用很多文件夹，可以创建一个yolov8文件夹，把我们主文件拿出来放在里面，我这里把解压出来的ultralytics-mian文件名改成了ultralytics

目录结构如上图所示

2.2 安装配置

（1）进入Anaconda Powershell Prompt

（2）首先激活环境

conda activate yolov8

（3）安装依赖

pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple/

（4）具体实现步骤如下

下载yolov8必要的库

# 需要先安好这个库
pip install ultralytics

3、配置GPU环境

因为requirements.txt自带的torch是CPU版本的，实际用起来很慢，因此我们将其更新为对应GPU版本的，我们需要去pytorch官网找到与cuda 11.6版本对应的命令

# CUDA 11.6
pip install torch==1.13.1+cu116 torchvision==0.14.1+cu116 torchaudio==0.13.1 --extra-index-url https://download.pytorch.org/whl/cu116

自此， GPU下YOLOv8目标跟踪、目标检测任务环境配置，全部完成。

4、下载权重与验证

下载训练模型，推荐yolov8s.pt或者yolov8n.pt，模型小，下载快，在gitee或者github下方readme里面，下载完成后，将模型放在主文件夹下

yolov8s.pt下载地址：yolov8s.pt

yolov8n.pt下载地址：yolov8n.pt

yolov8n-seg.pt（分割追踪权重）：yolov8n-seg.pt

yolov8n-pose.pt（姿态追踪权重）：yolov8n-pose.pt

测试（1）：

使用yolov8自带经典图片进行测试：

cd进入yolov8主文件夹下，运行下面命令

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

具体步骤如下：

我的结果保存在runs\detect\predict9中，你们的看Results saved to 存放地址，结果如下图

如果出现上面图片即成功

测试（2）：

接下来我们在Pycharm里进行测试

首先打开项目文件如图

刚下载好的Pycharm我们要给他配上我们的虚拟环境

运行track.py脚本测试

运行之后会报错

这是因为导包使用的相对路径导入找不到，我们改为绝对路径

将

from .bot_sort import BOTSORT
from .byte_tracker import BYTETracker

替换为

from ultralytics.trackers.bot_sort import BOTSORT
from ultralytics.trackers.byte_tracker import BYTETracker

即可解决，下面运行没问题

下面开始具体调用，在trackers文件夹下的README.md里有介绍用法

from ultralytics import YOLO
 
# Load an official or custom model
model = YOLO("yolov8n.pt")  # Load an official Detect model
model = YOLO("yolov8n-seg.pt")  # Load an official Segment model
model = YOLO("yolov8n-pose.pt")  # Load an official Pose model
model = YOLO("path/to/best.pt")  # Load a custom trained model
 
# Perform tracking with the model
results = model.track(source="https://youtu.be/LNwODJXcvt4", show=True)  # Tracking with default tracker
results = model.track(source="https://youtu.be/LNwODJXcvt4", show=True, tracker="bytetrack.yaml")  # Tracking with ByteTrack tracker

新建一个py脚本，把这块代码粘过去就可以运行了，下面我们改成自己本地准备好的视频测试，视频也放在根目录下，前面有图可以看一下我方的位置

from ultralytics import YOLO
 
# Load an official or custom model#每次选一个模型就可以了
model = YOLO("yolov8n.pt")  # Load an official Detect model#这个是原始的轨迹追踪
# model = YOLO("yolov8n-seg.pt")  # Load an official Segment model#这个是基于分割追踪
# model = YOLO("yolov8n-pose.pt")  # Load an official Pose model#这个是基于姿态追踪
# model = YOLO("path/to/best.pt")  # Load a custom trained model#这个是自己训练权重放的位置
model.track(source="video1.mp4", tracker="ultralytics/cfg/trackers/bytetrack.yaml", save=True, show=True)

注意：只有设置了save=True视频才会保存下来, 只有设置show=True才能看到实时检测效果

下面是运行效果：

轨迹追踪效果

分割追踪效果：

姿态追踪效果

如果想切换Byte-Tracker和Bot-Tracker，在下面修改yaml文件前的名称即可，注意路径

注意所有的路径都是在根文件夹下的，写路径是不需要再把根路径也写上去会报错，比如：

错误
ultralytics/ultralytics/cfg/trackers/bytetrack.yaml

正确

ultralytics/cfg/trackers/bytetrack.yaml

5、在配置过程中遇到的问题及解决

问题1：跑视频时运行结束后会报错

[mov,mp4,m4a,3gp,3g2,mj2 @ 0000025ce897db40] moov atom not found

我的原因是，我的视频文件损坏了，所以没法成功检测和保存

还有博主说是路径问题

video_path = r"E:\Code\videos\1HDcut\1HD-2.MP4"

就是去掉video_path后面的r，然后把‘\’都换成‘/’。

video_path = "E:\Code/videos/1HDcut/1HD-2.MP4"

具体视自己情况而定

问题2：ModuleNotFoundError: No module named ‘lap‘ 已解决

有的包没装上，激活我们的虚拟环境

直接pip install lap即可

本文参考：

1.YOLOv8手把手教程--超级无敌详细系列

2.【深度学习之YOLO8】环境部署

3.最新YOLOv8(2023年8月版本)安装配置！

4.YOLOV8重大更新-目标跟踪

5.YoloV8目标追踪演示 轨迹追踪 分割物体追踪 姿态估计追踪

6.[mov,mp4,m4a,3gp,3g2,mj2 @ 0000025ce897db40] moov atom not found

7.ModuleNotFoundError: No module named ‘lap‘ 已解决

8.【一分钟解决】Python报错ImportError: attempted relative import with no known parent package