YOLOv8环境配置

yolo train data=你的配置文件（xx.yaml）的绝对路径 model=yolov8n.pt epochs=300 imgsz=640 batch=8 workers=0 device=0。（1）yolo要求的数据标签为.txt格式，通过labelImg可以进行数据标注，笔记。（3）训练过程中首先会显示硬件设备信息，参数配置，backbone信息，最后是加载信息。根据自己电脑的配置进

zys9506

873人浏览 · 2025-08-18 11:05:47

zys9506 · 2025-08-18 11:05:47 发布

官方开源地址： https://github.com/ultralytics/ultralytics

1、配置

默认已安装了Anaconda及cuda、cudnn。

1.1Anaconda创建环境

$ conda create -n yolov8 python=3.8

激活环境

$ conda activate yolov8

1.2 安装pytorch

根据自己电脑的配置进行安装，本文安装环境cuda为10.2版本以及配套的cudnn。

$ pip install torch==1.12.0+cu1102 torchvision==0.13.0+cu102 torchaudio==0.12.0 --extra-index-url https://download.pytorch.org/whl/cu102

1.3 安装依赖

$ pip install ultralytics

$ pip install -r requirements.txt -i https://pypi.mirrors.ustc.edu.cn/simple/

2、测试

在官网下载权重文件进行推理测试。

2.1 detect测试

将detect权重文件放在代码的文件夹里面。

$ yolo task=detect mode=predict model=yolo8n.pt conf=0.25 source='ultralytics/assets/bus.jpg'

输出结果：

2.2 segment测试

将segment权重文件放在代码的文件夹里面。 Segment - Ultralytics YOLOv8 Docs

$ yolo task=segment mode=predict model=yolo8n-seg.pt conf=0.25 source='ultralytics/assets/bus.jpg'

2.3 pose测试

将pose 权重文件放在代码的文件夹里面。 Pose - Ultralytics YOLOv8 Docs

$ yolo task=pose mode=predict model=yolo8n-pose.pt conf=0.25 source='ultralytics/assets/bus.jpg'

输出结果：

3、制作自己的数据集

yolov8要求的数据集格式：

datasets

|-images

|--train

|--val

|--test

|-labels

|--train

|--val

|--test

（1）yolo要求的数据标签为.txt格式，通过labelImg可以进行数据标注，笔记 labelImg 。

（2）准备好数据集后，开始进行模型训练。

$ yolo train data=你的配置文件（xx.yaml）的绝对路径 model=yolov8n.pt epochs=300 imgsz=640 batch=8 workers=0 device=0

若想使用多显卡训练，device=0,1,2,……，进行设置。

（3）训练过程中首先会显示硬件设备信息，参数配置，backbone信息，最后是加载信息。

2048 AI社区

有“AI”的1024 = 2048，欢迎大家加入2048 AI社区

更多推荐

前端SSE手把手实现流式对话Agent（附完整可复制代码）

到这里，你已经学会了用 SSE 实现 AI 流式对话 Agent，总结一下核心知识点：SSE 是前端原生的服务器单向推送技术，适合 AI 流式回复、通知等场景，比 WebSocket 更轻量、更容易上手。前端用建立 SSE 连接，通过onmessage接收服务器推送的数据，实现打字机效果。后端需要设置 SSE 响应头，按照data: 数据\n\n的格式逐字推送数据。整个项目只有 2 个文件，代码全