Win10环境下yolov8快速配置与测试_yolov8 github

win10下亲测有效！（如果想在tensorrt+cuda下部署yolov8，直接看第五5章）

yolov8 官方仓库: https://github.com/ultralytics/ultralytics

目录

一、win10下创建yolov8环境

二、推理图像、视频、摄像头

2.1 推理图片

2.2 推理视频

2.3 推理摄像头

三、训练

3.1 快速训练coco128数据集

3.2 预测

四、导出onnx

 五、yolov8的tensorrt部署加速

附录：

一、win10下创建yolov8环境

# 注：python其他版本在win10下，可能有坑，我已经替你踩坑了，这里python3.9亲测有效
conda create -n yolov8 python=3.9 -y
conda activate yolov8
pip install ultralytics -i https://pypi.tuna.tsinghua.edu.cn/simple

二、推理图像、视频、摄像头

模型下载地址：

# download offical weights(".pt" file)
https://github.com/ultralytics/assets/releases/download/v0.0.0/yolov8n.pt
https://github.com/ultralytics/assets/releases/download/v0.0.0/yolov8s.pt
https://github.com/ultralytics/assets/releases/download/v0.0.0/yolov8m.pt
https://github.com/ultralytics/assets/releases/download/v0.0.0/yolov8l.pt
https://github.com/ultralytics/assets/releases/download/v0.0.0/yolov8x.pt
https://github.com/ultralytics/assets/releases/download/v0.0.0/yolov8x6.pt

这里下载yolov8n，使用该模型推理图片，原图如下图：

 我们将图像和yolov8n.pt放到路径：d:/Data/

2.1 推理图片

yolo mode=predict model="d:/Data/yolov8n.pt" source="d:/Data/6406407.jpg" save show

效果图默认保存在路径：ultralytics\runs\detect\predict，效果如下：

2.2 推理视频

直接把source改成视频文件路径即可，命令如下：

yolo mode=predict model="d:/Data/yolov8n.pt" source="d:/Data/people.mp4" save show

bash窗口打印如下：

2.3 推理摄像头

指令如下：

yolo mode=predict model="d:/Data/yolov8n.pt" source=0  show

三、训练

3.1 快速训练coco128数据集

在win10下，创建路径：D:\CodePython\yolov8，将这个5Mb的数据集下载并解压在目录，

coco128数据集下载地址(别担心，免费白嫖)：文件分享

如下图：

 新建train.py文件，代码如下：

from ultralytics import YOLO
 
# Load a model
# yaml会自动下载
model = YOLO("yolov8n.yaml")  # build a new model from scratch
model = YOLO("d:/Data/yolov8n.pt")  # load a pretrained model (recommended for training)
 
# Train the model
results = model.train(data="coco128.yaml", epochs=100, imgsz=640)

训练指令：

 python train.py

如下图训练状态：

3.2 预测

新建predict.py文件，代码如下：

from ultralytics import YOLO
 
# Load a model
model = YOLO("d:/Data/yolov8n.pt")  # load an official model
 
# Predict with the model
results = model("d:/Data/6406407.jpg", save=True)  # predict on an image

预测指令：

 python predict.py

如下图预测窗口打印，图片默认保存在： D:\CodePython\ultralytics\runs\detect\predict

四、导出onnx

pip install onnx
yolo mode=export model="d:/Data/yolov8n.pt" format=onnx dynamic=True opset=12

 五、yolov8的tensorrt部署加速

《YOLOV8部署保姆教程》
https://blog.csdn.net/m0_72734364/article/details/128758544?spm=1001.2014.3001.5501

​​​​​​TensorRT-Alpha基于tensorrt+cuda c++实现模型end2end的gpu加速，支持win10、linux，在2023年已经更新模型：YOLOv8, YOLOv7, YOLOv6, YOLOv5, YOLOv4, YOLOv3, YOLOX, YOLOR,pphumanseg,u2net,EfficientDet。
TensorRT-Alpha：https://github.com/FeiYull/TensorRT-Alpha

• TensorRT系列之 Windows10下yolov8 tensorrt模型加速部署
• https://blog.csdn.net/m0_72734364/article/details/128865904

• TensorRT系列教程之 Linux下 yolov8 tensorrt模型加速部署
• https://blog.csdn.net/m0_72734364/article/details/128758544

• TensorRT系列教程之 Linux下 yolov7 tensorrt模型加速部署
• https://blog.csdn.net/m0_72734364/article/details/128759430

• TensorRT系列教程之 Linux下 yolov6 tensorrt模型加速部署
• https://blog.csdn.net/m0_72734364/article/details/133771238

• TensorRT系列教程之 Linux下 yolov5 tensorrt模型加速部署
• https://blog.csdn.net/m0_72734364/article/details/133773842

• TensorRT系列教程之 Linux下 yolox tensorrt模型加速部署
• https://blog.csdn.net/m0_72734364/article/details/133851320

• TensorRT系列教程之 Linux下 u2net tensorrt模型加速部署
• https://blog.csdn.net/m0_72734364/article/details/133887663?spm=1001.2014.3001.5501