前言

不需要部署cuda以及cudnn！anaconda中下载的pytorch就能实现！

本教程是针对n卡，windows系统的教程

一、下载anaconda（官网下载or清华镜像源下载）

官网下载anaconda地址：

Download Now | Anaconda

点击对应的平台再点击download即可

清华镜像源下载anaconda：

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

找到对应版本即可，windows可以下载exe包

二、安装anaconda

c盘空间够的话建议安装到c盘，不够的话再考虑安装到其他的盘、

安装的默认路径是：C:\ProgramData\anaconda3  #看不到的话需要显示隐藏的文件

需要改设置的图片底下的文字都标红了

点击next

点击I Agree

选择 All Users再点Next

把三个全部勾选，然后点击install

把自己的conda加入到环境变量中，找到高级系统设置，win11可以直接搜索

点击环境变量

在系统变量中找到Path，双击

点击右边的新建，新建三个

C:\ProgramData\Anaconda3

C:\ProgramData\Anaconda3\Scripts

C:\ProgramData\Anaconda3\Library\bin

三、创建虚拟环境

安装好了之后，win+r打开终端命令窗口，输入cmd

输入 activate 回车

然后输入以下命令行创建环境
env-name： 自定义的环境名称
python=x.x： 使用的python版本

conda create -n env-name python=x.x

由于是部署yolov8所以也可以用以下的命令直接创建

conda create -n yolov8 python=3.8 

四、下载源代码

代码地址：

https://github.com/Pertical/YOLOv8

点击绿色的code，然后点击最底下的，下载zip压缩包，解压好了要记得自己的文件路径

五、配置yolov8环境

在下载并解压好的yolov8文件夹中输入cmd并回车

输入activate，回车

activate

输入conda env list查看环境是否创建成功

conda env list

出现了yolov8说明创建成功

输入代码activate yolov8，回车

activate yolov8

进入环境后安装pytorch，因为这个安装的晚了会成为cpu版本

前往pytorch官网PyTorch，首页下滑，选择对应版本pytorch，复制指令到命令行中

复制代码

pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118

然后接着输入代码

pip install ultralytics

至此，环境部署已经完成

在命令行窗口中输入代码

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

出现结果说明运行成功

六、yolov8的代码结构

对应着找到位置就好，我这里就在git上直接展示位置了

yolov8的训练、检测、验证文件都在/ultralytics/yolo/v8/detect中

想要做什么就运行哪个文件，都能跑起来说明配置成功

配置文件如下，更改这里就可以改参数，

重要参数意义

model：选择哪个模型，建议选择yolov8n.yaml

data：数据集的选择

epochs：训练轮次

batch：训练批大小（太大了会爆显存）

七、训练自己的数据集

先介绍YoLov 8 最终所需要的数据集格式：

datasets

        |-images

                |--train

                |--val

                |--test

        |-labels

                |--train

                |--val

                |--test

划分比例个人建议是     训练：验证：测试=7：2：1

yolov8要求的标签格式是txt格式

制作好数据集后，建立.yaml文件，建议与v8其他yaml文件放在一起，老规矩，文件路径见下图

创建之后，记得修改自己的配置文件里的nc（类别数量，跟自己的数据集有关）

记得修改cfg配置文件里的数据集参数，并在数据集的yaml文件中更改文件路径（建议绝对路径），下图是以coco为例

最后在命令行中训练自己的模型

yolo train data=你的配置文件（xx.yaml）的绝对路径 model=yolov8n.pt epochs=你的训练轮次 imgsz=640 batch=4 workers=0 device=0