新手小白yolov8环境部署+训练模型教程_yolov8环境搭建

一、YOLO模型的环境配置过程

1.anaconda安装

（1）. 去官网下载安装包：Free Download | Anaconda

（2）. 下载完成，进行安装，建议安装在非系统盘，以后会创建比较多的环境的话，剩下的默认安装即可

1. .环境变量配置

具体操作请参考Anaconda 环境变量手动设置(详细)_ananconda环境变量设置-CSDN博客

（4）.pycharm中选择conda环境

1.首先创建一个conda环境，打开Anaconda prompt，输入：conda create --name （环境名）python=3.9

删除环境输入： conda remove -n env_name --all

2. 输入conda activate yourname 激活环境

2.pytorch-gpu版本环境的搭建

1. 安装CUDA（电脑无显卡直接下一步）

1. 打开cmd，输入nvidia-smi查看GPU的CUDA版本，可以看到CUDA版本12.5，意味着能安装小于或等于12.5的CUDA版本。

如果觉得版本太低想要安装更高版本（cuda版本低适配不了gpu版的pytorch）可在NVIDIA上更新电脑的CUDA 版本

2.选择合适版本安装cuda，下载路径：CUDA Toolkit Archive | NVIDIA Developer

注意：

1. CUDA版本要小于上面的版本信息

2. 先去pytorch官网Start Locally | PyTorch，看一眼自己需要的pytorch版本对应的CUDA版本

选择自己合适的版本

安装时注意取消Visual Studio Integration的选择否则可能会导致安装失败

    

（2）安装pytorch的gpu版本（非gpu版本可跳过上一部）

1. 选择版本：官方路径 Start Locally | PyTorch

如果是电脑无显卡就选择cpu版

在你yolo的conda环境下安装

打开Anaconda Prompt

进入环境，输入命令 ：conda activate (youname)

开始下载安装

将刚才选择的pytorch版本下的命令输入：conda install pytorch torchvision torchaudio pytorch-cuda=11.8 -c pytorch -c nvidia （也可选择pip安装）

因为安装过程会比较慢而且可能会因为网络问题而中断，多试几次就可以了（如果利用“科学上网”的话会好一些）。也可以用清华源安装，但是清华源版本好像无gpu版本的pytorch。

3.yolov8下载配置

 

（1）下载源码

源码地址：GitHub - ultralytics/ultralytics: NEW - YOLOv8 �� in PyTorch > ONNX > OpenVINO > CoreML > TFLite

下载好解压之后用pycharm进行打开，然后把interpreter设置为刚刚创建的虚拟环境

    

    

（2）在pycharm终端中配置conda

关于如何在pycharm终端中配置虚拟环境可以看这篇：

pycharm终端配置，使用Anaconda_pycharm设置terminal打开anaconda的命令行窗口显示找不到本地终端-CSDN博客

具体：把settings-> Tools -> Terminal中的shell path换成你的conda prompt的位置

安装所需要的包

安装代码运行所需的ultralytics和yolo包

pip install ultralytics

pip install yolo

（3） 预训练权重的下载

把权重文件放在根目录处也创建一个文件夹weight，将权重放入

        

（4）验证环境配置是否成功

终端输入：yolo predict model=yolov8n.pt source='ultralytics/assets/bus.jpg'

该命令是用下载的yolov8n.pt权重来对选择的照片做测试

成功后是

会将结果保留在该目录下可查看结果

• 二、数据集的收集与整理

1. 使用robflow寻找并下载数据集Roboflow Universe: Open Source Computer Vision Community（需要使用科学上网）

（1）在根目录下创建一个datasets文件，将下载好数据集后解压后放在该目录下，数据集格式参考以下Prohibited_items目录

         

其中train是训练集，valid是测试集，test集用于评估模型的泛化能力，每一个数据集下都有一个images(用于存放照片)labels(用于存放照片对应的标签)，标签与照片是一一对应的，是txt格式。

（2）配置yaml文件

我所用数据共有七个标签。

2.数据集还可以自己做

（1）使用Yolo标注工具-labelImg请参考文献：

Yolo标注工具-labelImg的详细使用_yolo labelimg-CSDN博客

（2）使用网页版标注工具 make sense

Make Sense

具体操作请参考：make-sense | 图像标注工具_makesense标注-CSDN博客

（3）使用已有模型进行自动标注，代码如下：

from ultralytics.data.annotator import auto_annotate
 
auto_annotate(data=r"D:\data\datas\smake",#数据集路径
              det_model=r"D:\pythonProject\yolov8\ultralytics-main\runs\detect\train4\weights\best.pt",#已有模型
              sam_model=r"D:\pythonProject\yolov8\ultralytics-main\weight\sam_b.pt")#预训练模型

该标注的效果肯定没有自己想要达到的效果，还需要自己手动标注过一遍。

• 三、模型的训练过程

1.开始训练

1.新建一个train.py，修改相关参数，运行即可开始训练，代码如下：

from ultralytics import YOLO
 
if __name__ == '__main__':
    # Load a model
    model = YOLO(r'\ultralytics\detection\yolov8n\yolov8n.yaml')  # 不使用预训练权重训练
    # model = YOLO(r'yolov8p.yaml').load("yolov8n.pt")  # 使用预训练权重训练
    # Trainparameters ----------------------------------------------------------------------------------------------
    model.train(
        data=r'\ultralytics\detection\dataset\appledata.yaml',
        epochs=30,  # (int) number of epochs to train for
        patience=50,  # (int) epochs to wait for no observable improvement for early stopping of training
        batch=8,  # (int) number of images per batch (-1 for AutoBatch)
        imgsz=320,  # (int) size of input images as integer or w,h
        save=True,  # (bool) save train checkpoints and predict results
        save_period=-1,  # (int) Save checkpoint every x epochs (disabled if < 1)
        cache=False,  # (bool) True/ram, disk or False. Use cache for data loading
        device=0,  # (int | str | list, optional) device to run on, i.e. cuda device=0 or device=0,1,2,3 or device=cpu
        workers=16,  # (int) number of worker threads for data loading (per RANK if DDP)
        project='result',  # (str, optional) project name
        name='yolov8n',  # (str, optional) experiment name, results saved to 'project/name' directory
        exist_ok=False,  # (bool) whether to overwrite existing experiment
        pretrained=False,  # (bool | str) whether to use a pretrained model (bool) or a model to load weights from (str)
        optimizer='SGD',  # (str) optimizer to use, choices=[SGD, Adam, Adamax, AdamW, NAdam, RAdam, RMSProp, auto]
        verbose=True,  # (bool) whether to print verbose output
        seed=0,  # (int) random seed for reproducibility
        deterministic=True,  # (bool) whether to enable deterministic mode
        single_cls=True,  # (bool) train multi-class data as single-class
        rect=False,  # (bool) rectangular training if mode='train' or rectangular validation if mode='val'
        cos_lr=False,  # (bool) use cosine learning rate scheduler
        close_mosaic=0,  # (int) disable mosaic augmentation for final epochs
        resume=False,  # (bool) resume training from last checkpoint
        amp=False,  # (bool) Automatic Mixed Precision (AMP) training, choices=[True, False], True runs AMP check
        fraction=1.0,  # (float) dataset fraction to train on (default is 1.0, all images in train set)
        profile=False,  # (bool) profile ONNX and TensorRT speeds during training for loggers
        # Segmentation
        overlap_mask=True,  # (bool) masks should overlap during training (segment train only)
        mask_ratio=4,  # (int) mask downsample ratio (segment train only)
        # Classification
        dropout=0.0,  # (float) use dropout regularization (classify train only)
        # Hyperparameters ----------------------------------------------------------------------------------------------
        lr0=0.01,  # (float) initial learning rate (i.e. SGD=1E-2, Adam=1E-3)
        lrf=0.01,  # (float) final learning rate (lr0 * lrf)
        momentum=0.937,  # (float) SGD momentum/Adam beta1
        weight_decay=0.0005,  # (float) optimizer weight decay 5e-4
        warmup_epochs=3.0,  # (float) warmup epochs (fractions ok)
        warmup_momentum=0.8,  # (float) warmup initial momentum
        warmup_bias_lr=0.1,  # (float) warmup initial bias lr
        box=7.5,  # (float) box loss gain
        cls=0.5,  # (float) cls loss gain (scale with pixels)
        dfl=1.5,  # (float) dfl loss gain
        pose=12.0,  # (float) pose loss gain
        kobj=1.0,  # (float) keypoint obj loss gain
        label_smoothing=0.0,  # (float) label smoothing (fraction)
        nbs=64,  # (int) nominal batch size
        hsv_h=0.015,  # (float) image HSV-Hue augmentation (fraction)
        hsv_s=0.7,  # (float) image HSV-Saturation augmentation (fraction)
        hsv_v=0.4,  # (float) image HSV-Value augmentation (fraction)
        degrees=0.0,  # (float) image rotation (+/- deg)
        translate=0.1,  # (float) image translation (+/- fraction)
        scale=0.5,  # (float) image scale (+/- gain)
        shear=0.0,  # (float) image shear (+/- deg)
        perspective=0.0,  # (float) image perspective (+/- fraction), range 0-0.001
        flipud=0.0,  # (float) image flip up-down (probability)
        fliplr=0.5,  # (float) image flip left-right (probability)
        mosaic=1.0,  # (float) image mosaic (probability)
        mixup=0.0,  # (float) image mixup (probability)
        copy_paste=0.0,  # (float) segment copy-paste (probability)
    )

2.也可直接用命令训练

命令如：

yolo detect train data=datasets/smking.yaml model=yolov8n.yaml pretrained=weight/yolov8n.pt epochs=300 batch=4 resume=True  device=0

其中data 是数据对应的yaml文件路径；model是预训练权重的yaml文件，如果没下载该yaml会直接帮你下载，下载了就可选择不要；pretrained 权重路径；epochs 训练轮数 ；batch一次训练使用的数据数量；device是否使用gpu训练，如果只使用cpu 修改成device=cpu。

2.开始训练

第一次训练会出现各种的问题，可在网络上寻找问题的解决方式

开始训练成功后是这样的

训练成功后模型会保存在其提示的位置

我们还会发现设置了训练300轮但是184轮的时候就停止了，那是因为到184轮的时候训练就没什么训练效果了，就停止训练了。

• 四、模型的预测

1.新建一个val.py，这个可以打印模型在验证集上的结果，如mAP，推理速度等

from ultralytics import YOLO
 
if __name__ == '__main__':
    # Load a model
    model = YOLO(r'\ultralytics\detection\yolov8n\result\yolov8n4\weights\best.pt')  # build a new model from YAML
    # Validate the model
    model.val(
        val=True,  # (bool) validate/test during training
        data=r'\ultralytics\detection\dataset\appledata.yaml',
        split='val',  # (str) dataset split to use for validation, i.e. 'val', 'test' or 'train'
        batch=1,  # 测试速度时一般设置为 1 ，设置越大速度越快。   (int) number of images per batch (-1 for AutoBatch)
        imgsz=320,  # (int) size of input images as integer or w,h
        device=0,  # (int | str | list, optional) device to run on, i.e. cuda device=0 or device=0,1,2,3 or device=cpu
        workers=8,  # (int) number of worker threads for data loading (per RANK if DDP)
        save_json=False,  # (bool) save results to JSON file
        save_hybrid=False,  # (bool) save hybrid version of labels (labels + additional predictions)
        conf=0.001,  # (float, optional) object confidence threshold for detection (default 0.25 predict, 0.001 val)
        iou=0.7,  # (float) intersection over union (IoU) threshold for NMS
        project='val',  # (str, optional) project name
        name='',  # (str, optional) experiment name, results saved to 'project/name' directory
        max_det=300,  # (int) maximum number of detections per image
        half=True,  # (bool) use half precision (FP16)
        dnn=False,  # (bool) use OpenCV DNN for ONNX inference
        plots=True,  # (bool) save plots during train/val
    )

2.运用命令预测

命令如：

yolo detect val data=datasets/Prohibited_items/Prohibited_items.yaml model=runs\detect\train12\weights\best.pt  

data:数据集的yaml文件路径

model：权重路径

预测的效果如：

3.可新建一个predict.py，这个可以根据训练好的权重文件进行推理，权重文件格式支持pt，onnx等，支持图片，视频，摄像头等进行推理

from ultralytics import YOLO
 
if __name__ == '__main__':
    # Load a model
    model = YOLO(r'\deploy\yolov8n.pt')  # pretrained YOLOv8n model
    model.predict(
        source=r'\deploy\output_video.mp4',
        save=False,  # save predict results
        imgsz=320,  # (int) size of input images as integer or w,h
        conf=0.25,  # object confidence threshold for detection (default 0.25 predict, 0.001 val)
        iou=0.7,  # # intersection over union (IoU) threshold for NMS
        show=True,  # show results if possible
        project='',  # (str, optional) project name
        name='',  # (str, optional) experiment name, results saved to 'project/name' directory
        save_txt=False,  # save results as .txt file
        save_conf=True,  # save results with confidence scores
        save_crop=False,  # save cropped images with results
        show_labels=True,  # show object labels in plots
        show_conf=True,  # show object confidence scores in plots
        vid_stride=1,  # video frame-rate stride
        line_width=1,  # bounding box thickness (pixels)
        visualize=False,  # visualize model features
        augment=False,  # apply image augmentation to prediction sources
        agnostic_nms=False,  # class-agnostic NMS
        retina_masks=False,  # use high-resolution segmentation masks
        boxes=True,  # Show boxes in segmentation predictions
    )

4.视频预测也可使用

import cv2
 
from ultralytics import YOLO
 
# 加载模型
model = YOLO(model='D:/pythonProject/yolov8/ultralytics-main/runs/detect/train/weights/best.pt')
 
# 视频文件
video_path = r"D:\pythonProject\yolov8\ultralytics-main\预测\video.mp4"
 
# 打开视频
cap = cv2.VideoCapture(video_path)
 
while cap.isOpened():
    # 获取图像
    res, frame = cap.read()
    # 如果读取成功
    if res:
        # 正向推理
        results = model(frame)
 
        # 绘制结果
        annotated_frame = results[0].plot()
 
        # 显示图像
        cv2.imshow(winname="YOLOV8", mat=annotated_frame)
 
        # 按ESC退出
        if cv2.waitKey(1) == 27:
            break
 
    else:
        break
 
# 释放链接
cap.release()
# 销毁所有窗口
cv2.destroyAllWindows()

5.摄像头预测可用

import cv2
 
from ultralytics import YOLO
 
# 加载模型
model = YOLO(model="yolov8n.pt")
 
# 摄像头编号
camera_no = 0
 
# 打开摄像头
cap = cv2.VideoCapture(camera_no)
 
while cap.isOpened():
    # 获取图像
    res, frame = cap.read()
    # 如果读取成功
    if res:
        # 正向推理
        results = model(frame)
 
        # 绘制结果
        annotated_frame = results[0].plot()
 
        # 显示图像
        CV2.imshow(winname="YOLOV8", mat=annotated_frame)
 
        # 按ESC退出
        if CV2.waitKey(1) == 27:
            break
 
    else:
        break
 
# 释放链接
cap.release()
# 销毁所有窗口
cv2.destroyAllWindows()

预测结果如下：

参考文献

[1]

[2] 在较新版pycharm中使用conda虚拟环境的两种方法-保姆级教程_pycharm终端如何进入conda虚拟环境-CSDN博客

[3] 超详细||YOLOv8基础教程（环境搭建，训练，测试，部署看一篇就够）（在推理视频中添加FPS信息）_yolov8安装-CSDN博客

[4] make-sense | 图像标注工具_makesense标注-CSDN博客

[5]适合小白的超详细yolov8环境配置+实例运行教程，从零开始教你如何使用yolov8训练自己的数据集（Windows+conda+pycharm）-CSDN博客