YOLOV8的应用和思考(1)---初识YOLOV8到上手_yolov8必须和摄像头安装到一块吗

YOLOV8的应用和思考(1)—初识YOLOV8到上手

第一章 初识YOLOV8到上手
第二章 YOLOV8训练自己的数据集
…
第n章 YOLOV8的部署和应用

---

---

前言

最近自己在和朋友一起做关于YOLOV8识别的项目，有很多网上给出的教程都是结束到环境配置，简单的训练或者简单的预测，而对于进一步的应用和在使用YOLOV8进行训练或者预测的时候的注意事项基本没有给出进一步的解释，我希望在这里分享我在这半年中做项目踩过的坑以及自己对于YOLOV8使用经验，希望给正在使用YOLO做项目的同学提供一些力所能及的帮助，也希望帮助未来想用YOLOV8或者YOLONAS做项目的同学免去一些在入门时不知如何开始，或网络上资源有限的烦恼。

文中会有很多自己的理解，存在不正确的地方还请大家指正。

我本科和硕士都不是计算机专业，代码这方面还有很大欠缺，还望各位大哥海涵。

---

提示：以下是本篇文章正文内容，下面案例可供参考

一、YOLOV8的一个简单的介绍

先放个图给大伙看看：

来源：https://github.com/Deci-AI/super-gradients

简单的来说，yolov8对于前些代yolo的有提升，速度变快了，识别精度变高了。

而对于YOLOV8来说，又分小模型和大模型，小模型探测头少，参数少，但是体积小，速度快，但是部署方便，延迟和帧数表现都会比大模型好。
至于怎么选择，就看各位在项目中自己的需求了，想要部署摄像头实时识别一些很简单的物体，比如说人，宠物之类，选择小模型会有优势，但是比如说想要对精确度有很高要求，图像处理时间没有要求的项目中比如说在医疗中的识别或者小物体（在图片中占很少的像素）的计数等等，就要使用大模型保证推理的准确性。

大家想了解更多关于YOLOV8的信息可以访问Ultralytics的官网：
https://github.com/ultralytics/ultralytics?tab=readme-ov-file

---

二、快速入门

两个版本供大家选择：

1. 速速速速速速：想尝试一下yolov8并且看看他是干什么的
2. 需要用yolov8做项目的

1.极速版

1. 下载anaconda

anaconda官网：https://www.anaconda.com/download

2. 使用anaconda创建一个环境

我大胆直接引用风吹过夏天的文章：使用 Anaconda 创建 Python 虚拟环境，这篇文章中有很详细的介绍，我们可以创建一个名叫yolo的虚拟环境，然后我们直接进入pycharm。

3. 配置pycharm环境

1. 首先，我们先新建一个项目，File->New Project
   
2. 然后我们进入File->Setting，点击Add Interpreter, 选择Conda Environment, 找到安装Anaconda的位置, 然后Load Environments, 这样刚才创建的环境就会显示在existing environment中，然后点OK，这样Conda环境就挂在这个项目上了，接下来就可以开始咯
   

4. 打开控制台安装yolov8

pip install ultralytics
1

5. 做一些简单的预测

1. 新建一个py文件，在文件中输入以下代码：

from ultralytics import YOLO
#加载模型
model = YOLO("yolov8n.pt")
#读取图片地址
source="D:/yolo/ultralytics-main/ultralytics/assets/nus_colleges.jpg"
#进行预测并保存
model.predict(source, save=True, imgsz=640, conf=0.7)
1
2
3
4
5
6
7

图中的人物被轻松识别，当然视频也是可以读取并且进行预测的，只要更改source的地址就可以，注意复制过来的path里的’‘要改为’/'，当然摄像头实时预测也是可以的，在此就先不再赘述，我想把这一大块安排到后面，包括预测的图像和数据的提取和处理，我在这里就先大胆引用一下大佬的代码：yolov8实时摄像头检测，给各位先作为参考。

2. 或者可以直接在pycharm的console中输入

yolo predict model=yolov8n.pt source=‘https://ultralytics.com/images/bus.jpg’

当然以上的model和source都是可以更改的，source可以是本地的也可以是github上的图片甚至youtube的视频链接。

2.注入神秘力量（进一步设置，加入GPU）

1. 先完成（1）中的所有设置

在加入GPU之前，我们首先要完成基础的环境配置，然后我们才可以用CUDA和cudnn把电脑的GPU挂到yolo上面，对于我的电脑来讲，RTX3060 8GB版大概可以使我的图像处理时间缩短为1/4，更好的GPU可以使得处理速度更快，在训练自己的模型和摄像头实时预测中是十分必要的。

2. 装CUDA，cudnn和pytorch

这一步很重要，而且网上也有很详尽的教程，我找了一个我认为很简洁，详细的教程供各位参考：
YOLOV8从环境部署（GPU版本）到模型训练——专为小白设计一看就懂，来自CSDN：cc陈c
请如果要用到GPU的各位一定要按照里面的步骤一步不差的安装，如果安装步骤中出现问题也不用很害怕，把下载的cuda和cudnn文件夹都删除，再把环境变量删除，重新按照里面的步骤安装即可。

3.验证GPU是否已经挂载

1. 在命令行输入nvidia-smi，可以检查GPU是否正确挂载，也可以检查CUDA Version
   
2. 把模型读取之后，把他挂在GPU上，然后进行判断，看模型是否用cuda运行

device = "cuda" if torch.cuda.is_available() else "cpu"
model = model.to(device)

print(f"Using device: {device}")
1
2
3
4

如果他能使用GPU进行推理的话，会出现Using device cuda,这个时候就可确定GPU已经在我们环境中的配置完全正确并且可以使用，我们就可以进行接下来的步骤了。

3. 把ultralytics源文件拷入项目

如果想要深入yolo，对里面的loss.py等等修改以添加注意力机制等等，可以去ultralytics的github官网下载ZIP文件并把他解压到项目中，这样去修改里面的参数会更加方便。

---

三. You want to play, Let’s play!

在环境搭建完毕之后，我们就可以开始对图片或者视频进行预测啦

---

下一章：第二章 YOLOV8训练自己的数据集

我想在下一章跟大家分享数据集结构，数据集标注，数据集制作的小tips可以使得识别效果大幅变好，在线和本地的自定数据集训练，并且会另开一章介绍介绍YOLONAS-L大模型的训练。

有任何问题欢迎大家直接给我发邮件：wangxuanbo1014@gmail.com