Yolov8 环境搭建
写在前面：参考自作者：YOLO大王 手把手教你搭建YOLOV8+CUDA环境
第一步：确定硬件条件！！！
1.1 确认有显卡
这一步很重要，请确认你的电脑中有显卡，并且是 Nvidia 显卡。
可以通过下面链接更新显卡的驱动：
1.2 确认显卡的算力
进入以下链接，查询所使用的显卡算力情况.
下面是 pyTorch 支持的算力版本
- PyTorch 1.7 及之前的版本通常支持 3.5 以上的算力。
- PyTorch 1.8 及之后的版本开始将最低算力提高到 3.7。
- PyTorch 1.10 及之后的版本，最低算力要求是 5.0。
查看 pytorch 版本&支持的 cuda 算力
import torch
print(torch.**version**)
image-20240514223825236
第二步：安装 CUDA
2.1 检查显卡支持的 CUDA 版本
2.2 安装 CUDA
下载地址：
安装过程选择自定义，尽量全部勾选，避免缺失内容。
安装结束，重启电脑
2.3 验证：
nvcc -V\
环境变量不需要配置，因为在安装之后就默认添加好了，9.0 版本之前（包括 9.0）还是需要配置环境变量的。
第三步：安装 cuDNN
安装完 CUDA 后，我们为了实现加速，还应安装【对应版本】的 cuDNN。
下载地址：
下载对应版本的 cuDNN，如下图所示:
3.1 拷贝文件
下载对应版本的 cuDNN 解压后有下面三个文件夹
然后把文件夹里面的内容，拷贝到 cuda 安装目录下对应的文件夹里面。
-
把 bin 目录的内容拷贝到：
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.4\bin
-
把 include 目录的内容拷贝到：
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.4\include
-
把 lib\x64 目录的内容拷贝到：
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.4\lib\x64
实在不明白的可以参考官方文档：
3.2 环境配置
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.4\bin
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.4\include
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.4\lib\x64
3.2 验证
打开终端，运行 C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.4\extras\demo_suite 下的 bandwidthTest.exe 和 deviceQuery.exe。
第四步：创建虚拟环境
4.1 安装 Anaconda
可以通过链接下载安装：https://www.anaconda.com/，。
傻瓜式安装，一直下一步就可以，安装时请选择自动注册环境变量！！！
4.2 创建虚拟环境
打开 Anaconda 命令行工具
conda create -n YOLO-GPU python=3.11
4.3 验证环境
先后执行下面脚本
conda activate YOLO-GPU
python
第五步： 安装 GPU 版本的 PyTorch
5.1 下载链接：
选择与 cuda 对应的 pytorch 版本。如果安装的 cuda 版本大于 pytorch 支持的版本，请选择向下版本的。
5.2 安装
复制底下的 Anaconda 的命令到打开 Anaconda 命令行工具执行即可。
conda activate YOLO-GPU
conda install pytorch torchvision torchaudio pytorch-cuda=12.1 -c pytorch -c nvidia
5.3 验证
import torch
flag = torch.cuda.is_available()
if flag:
print("CUDA可使用")
else:
print("CUDA不可用")
ngpu= 1
# Decide which device we want to run on
device = torch.device("cuda:0" if (torch.cuda.is_available() and ngpu > 0) else "cpu")
print("驱动为：",device)
print("GPU型号： ",torch.cuda.get_device_name(0))
torch.cuda.is_available()
cuda是否可用；
torch.cuda.device_count()
返回gpu数量；
torch.cuda.get_device_name(0)
返回gpu名字，设备索引默认从0开始；
torch.cuda.current_device()
返回当前设备索引；
第六步：pycharm 搭建 YOLOV8 环境
下载链接：
6.1 pycharm 导入
解压缩下载的文件，把 ultralytics-main\ultralytics-main 拷贝到你需要乐意存放的位置。
然后 Pycharm 打开对应文件夹，加载项目文件。
6.2 pycharm 更换 python 环境
按照下面的序号点击按钮：
添加 anaconda，按下面的序号操作：这里需要找 anaconda 安装目录下的 conda.exe,然后点击 Load Environments,加载 conda。
选择带有 GPU-pytorch 的 conda 环境
验证
6.3 安装依赖
pip install ultralytics
七步：训练模型
7.1 数据标注有很多种工具可用，本人使用 label studio 进行数据标注，具体操作请自行百度，此处不再赘述。
7.2 使用 yolov8 进行训练工作
相关参数参考官方文档：docs.ultralytics.com/modes/train…
1、图像识别训练
yolo detect train data=./ch_data.yaml model=yolov8n.yaml pretrained=./ch_best.pt epochs=100 imgsz=1024 batch=4 workers=2 device=0
2、图像识别预测推理
yolo detect predict model=./ch_best.pt source=E:\公司数据\烟草 AI 识别\虫害识别\images\0d7a1fa3-t019d877c537ccfe732.jpg save=true conf=0.5
3、图像识别模型导出 onnx
yolo export model=./ch_best.pt format=onnx opset=11
4、图像分类训练
yolo classify train data=./datasets/ymsyq_det/ model=./yolov8n-cls.yaml pretrained=./yolov8n-cls.pt epochs=20 imgsz=64 batch=4 workers=2 device=0
5、图像分类推理预测
yolo classify predict model=./ymsyq_best.pt source=./datasets/ymsyq_data/train/IMG_6851.JPG save=true conf=0.5
6、图像分类模型导出 onnx
yolo export model=./ymsyq_best.pt format=onnx opset=11 dynamic=True
