目录

一、安装Anaconda3

1、下载

2、安装

3、验证

二、搭建windows上yolov8环境

1、cuda+pytorch+python版本选择

①查看自己电脑的cuda型号

 ②显卡驱动版本对应选择

2、创建虚拟环境

3、激活环境

​编辑

4、安装pytorch框架

①安装框架pytorch 1.9.0

②换镜像源

③pip install 和conda install的区别

三、安装yolov8

1、下载代码

2、命令行安装相关文件

① 切换路径到自己下载好的路径

② 安装依赖包

3、安装yolov8，它这里其实叫ultralytics

4、 测试

四、制作自己的数据集

1、https://roboflow.com 

2、labelme

①安装：在创建的虚拟环境中安装

②画标签

③把labelme格式转化成yolov8支持的数据集格式

五、用yolov8模型训练数据

六、模型预测结果

七、总结简明的步骤

---

一、安装Anaconda3

1、下载

到官网：

Index of /anaconda/archive/ | 清华大学开源软件镜像站 | Tsinghua Open Source Mirror

2、安装

双击exe——Next——I Argee——just me ——选择路径（建议自定义，不要安装到c盘，且安装路径不要出现中文）——两个勾都勾上，不然配置环境很麻烦——Install——接下来页面两个勾不选——fnish完成安装。

3、验证

开始去找到这个 

点开能进入命令框，输入python，可以看到python版本。print（“hi”）

二、搭建windows上yolov8环境

1、cuda+pytorch+python版本选择

①查看自己电脑的cuda型号

        首先搜索栏找到设备管理器——显示适配器——NVIDIA（有这个才可以，说明电脑有GPU独显，否则就是只有集成显卡Intel，如图所以，很多比如联想台式电脑就没有独显，那么跑深度学习就得有服务器）  

 ②显卡驱动版本对应选择

 （1）理论上显卡越新越好，但是有的新的会不稳定，显示花屏等异常出现，所以不能一味追求新。而且太新了可能还没来得及出来对应的pytorch版本，就没法匹配。

（2）安装的驱动版本<=电脑上显示的（支持最高cuda版本号），如本台电脑是12.0，那么安装的必须<=12.0,不能大于它。

（3）如果显卡<=PTX2080,推荐安装cuda10.2+cudnn7.6.5，或者其他版本；

        如果显卡>=PTX3050,则必须安装cuda>=11.0。

NVIDIA CUDA 官方文档

​

torch	torchvision	Python
main/nightly	main/nightly	>=3.8,<=3.11
2.0	0.15	>=3.8,<=3.11
1.13	0.14	>=3.7.2,<=3.10
1.12	0.13	>=3.7,<=3.10
1.11	0.12	>=3.7,<=3.10
1.10	0.11	>=3.6,<=3.9
1.9	0.10	>=3.6,<=3.9
1.8	0.9	>=3.6,<=3.9
1.7	0.8	>=3.6,<=3.9
1.6	0.7	>=3.6,<=3.8
1.5	0.6	>=3.5,<=3.8
1.4	0.5	>=3.8,<=3.11
1.3	0.4.2/0.4.3	==2.7,>=3.5,<=3.8
1.2	0.4.1	==2.7,>=3.5,<=3.7
1.1	0.3	==2.7,>=3.5,<=3.7
<=1.0	0.2	==2.7,>=3.5,<=3.7

2、创建虚拟环境

conda create -n 自己起名字 python==

如：conda create -n yolov8 python==3.8.0  

这里就可以写上python版本，不然默认使用anaconda自带的python版本。

 创建完了可以输入命令查看，没创建前anaconda本身只有一个base。 

3、激活环境

接下来进入自己虚拟环境，前面base变成了自己的环境名称，就可以接下来在这个环境里为所欲为了，安装卸载，即使弄错了，去anaconda安装路径找envs文件夹，里面有你的虚拟环境可以整个复制或者删除。 

4、安装pytorch框架

①安装框架pytorch 1.9.0

(1475条消息) [pytorch]pytorch官方安装法_torch==1.13.1+cu117_FL1623863129的博客-程序员宅基地 

pip install torch==1.9.0+cu111 torchvision==0.10.0+cu111 torchaudio==0.9.0 -f https://download.pytorch.org/whl/torch_stable.html

慢慢等待下载，我这里用了清华源。接下来补充两个知识点：

②换镜像源

③pip install 和conda install的区别

    conda ≈ pip（python包管理）+虚拟环境+非python依赖包管理

用conda下来接下来的包，这样的话下载一次，如果你其虚拟环境也要，他优先从上一目录找，如果有直接安装，就是说一次下载多次安装使用。

pip只能下载python包，而且下载安装到仅仅是当前环境，下次环境要用就得再下载。

下载包的时候优先推荐conda，不行再用pip。

删除用pip uninstall 包名     或者     conda uninstall 包名，效果一样，只删除当前环境下的包。

下载好只后可以输入命令pip  list  查看：

三、安装yolov8

1、下载代码

github官网  

 GitHub - ultralytics/ultralytics: NEW - YOLOv8 in PyTorch > ONNX > OpenVINO > CoreML > TFLite

 下面也有模型点击直接下载

 

新建一个weights文件夹，把下载的模型放进去。 

2、命令行安装相关文件

① 切换路径到自己下载好的路径

cd /d 自己路径复制过来

​

② 安装依赖包

pip install -r requirements.txt

​

如果安装不成功，可能和网络有关，重新执行，多安装几次就行。

也可以如下从镜像源下载安装。 直接输入 -i 源名，因为前面我设置了默认清华源，所以我直接安装。

3、安装yolov8，它这里其实叫ultralytics

pip install ultralytics

4、 测试

假如我们用yolov8s.pt来测试 ：

yolo task=segment mode=predict model=wighte/yolov8s.pt source=ultralytics/assets/bus.jpg save=true

 结果保存到了对应的文件夹下的runs\detect\predict

 

测试视频/摄像头/文件夹：（source=自己的绝对路径就行，照片也可以用绝对路径，我前面是相对路径）

#测试图片
yolo task=segment mode=predict model=wighte/yolov8s.pt source=ultralytics/assets/bus.jpg save=true

#测试视频
yolo task=segment mode=predict model=wighte/yolov8s.pt source=D:\car.mp4 show=true

#测试摄像头
yolo task=segment mode=predict model=wighte/yolov8s.pt source=0

#测试文件夹
yolo task=segment mode=predict model=wighte/yolov8s.pt source=D:\myimgs

四、制作自己的数据集

1、https://roboflow.com 

Roboflow: Give your software the power to see objects in images and videohttps://roboflow.com/一个外网页，可以制作，很好用，但是因为是外网会卡。

Roboflow制作yolov8数据集_彩色面团儿的博客-程序员宅基地

这个网页可以直接就制作成yolov8需要的数据集格式；主要是有个功能不需要自己手动描边缘，有个类似于区域生长的按钮，自动描，可以试一下

2、labelme

①安装：在创建的虚拟环境中安装

conda activate yolov8

pip install labelme

 polygons多边形做实例分割，保存的数据标签为json格式。

目标检测就是画一些框就行，不需要考虑边缘；而实例分割要边缘都描出来的。

②画标签

(1476条消息) labelme制作自己数据集以及图片格式问题_labelme数据集格式_彩色面团儿的博客-程序员宅基地

③把labelme格式转化成yolov8支持的数据集格式

（1）利用一个py脚本文件。 （json3txt.py）修改最后一行路径，在命令行如下图运行就行，或者用pycharm打开运行。

把labelme格式转化成yolov8支持的数据集格式-程序员宅基地

（2）需要自己在labelme先画好标签（做好数据集）

labelme-dogcat-test.zip - 蓝奏云 (lanzouw.com)

上面是一个标签文件，猫和狗的。框的，没有边缘，也能粗略做分割。 

五、用yolov8模型训练数据

yolo task=segment mode=train model=mydata\yolov8s-seg.yaml data=mydata\coco128-seg.yaml epochs=100 batch=4（显卡内存大就设置大点好） save=true workers=4 device=0（第几个显卡） pretrained=true

上面其他三个images和labels和labels.txt是数据格式转化的时候生成的。

框起来的两个yaml是用yolov8s模型做的。如果要用其他版本可以对应找出来改。 

其他的一些代码

 这些里面没有权值，所以也不能用。就只能在命令行输入那种运行了。

yolo task=segment mode=train model=mydata\yolov8s-seg.yaml data=mydata\coco128-seg.yaml epochs=100 batch=4 save=true workers=1 device=0 pretrained=true

六、模型预测结果

 yolo task=segment mode=predict model=runs\segment\train\weights\best.pt source=D:\torch1\yolov8-ultralytics-main\mydata\ceshi\1.jpg save=true

七、总结简明的步骤

1、到Anaconda Prompt    输入查看虚拟环境

conda env list

2、创建新的虚拟环境

conda create -n yolov8 python==3.8.0

3、激活虚拟环境

 activate yolov8

4、安装pytorch框架

 pip install torch==1.9.0+cu111 torchvision==0.10.0+cu111 torchaudio==0.9.0 -f https://download.pytorch.org/whl/torch_stable.html

 5、下载yolo模型

①去github官网新建标签页 (github.com)https://github.com/

②自己分享一个百度网盘，里面有模型代码+权重文件 

链接：https://pan.baidu.com/s/1nK_L0Oi4PomadSXXyJttMA 
提取码：dgri

6、安装相关依赖包

切换cmd路径到自己刚刚下载的yolo模型的文件夹路径

cd /d 自己路径复制过来 

cd /d D:\yolov8-ultralytics-main

安装requirements.txt文件里依赖包

pip install -r requirements.txt

7、安装yolov8，它这里其实叫ultralytics

pip install ultralytics

 8、测验成功与否

假如我们用yolov8s.pt来测试 ：

yolo task=segment mode=predict model=wighte/yolov8s.pt source=ultralytics/assets/bus.jpg save=true

  结果保存到了对应的文件夹下的runs\detect\predict。里面会有个测试好的图。