第一步 下载YOLOv8代码
Ultralytics:YOLOv8 -Ultralytics YOLO 文档
github：YOLOv8-github
gitee:YOLOv8-gitee
推荐使用国内的gitee
第二步 创建conda虚拟环境
如果没有安装conda可以搜索一下conda配置教程，按照流程安装好conda，还要下载好符合自己电脑版本的CUDA 后续会用。
1、 打开conda窗口 进入到安装YOLOv8的地址
2、 创建新的虚拟环境
输入下面命令
conda create -n yolov8 python=3.8
是否安装环境所需基础包，输入y安装即可，安装完成如下图
输入下面命令查看是否创建成功
conda env list
激活进入环境
conda activate yolov8
激活成功后，前面的base会替换成yolov8
第三步 配置环境
首先先把pip的源换到国内aliyun镜像，下载速度提高很多
pip config set install.trusted-host mirrors.aliyun.com
安装一下yolov8在运行必要安装包
pip install ultralytics
第四步 下载训练模型
推荐yolov8s.pt或者yolov8n.pt，模型小，下载快，在gitee或者github下方readme里面，下载完成后，将模型放在主文件夹下，
yolov8s.pt下载地址：yolov8s.pt
yolov8n.pt下载地址：yolov8n.pt
YOLOv8 可以在命令行界面（CLI）中直接使用，使用yolov8自带经典图片进行测试： 首先cd进入yolov8主文件夹下，运行下面命令
无显卡驱动
yolo predict model=yolov8n.pt source='ultralytics/assets/bus.jpg' device=cpu
有显卡驱动(看扩展的部分，安装gpu版本torch才能运行)
yolo predict model=yolov8n.pt source='ultralytics/assets/bus.jpg' device=0
我的结果保存在runs\detect中，你们的看Results saved to 存放地址，结果如下图
如果出现上面图片即成功
第五步 训练自己模型（cpu）
首先在yolov8主文件夹内创建data文件夹，创建一个data.yaml文件：
这里需要转成yolov8训练集
train: xxx/xxx/images/train //xxx/xxx为训练集图片根目录地址，一定要是绝对路径
val: xxx/xxx/images/val
nc: 1 #标签数量
names: ["1"]#标签名称
目前也有很多数据集采用txt文件进行训练
train: xxx/xxx/train.txt //xxx/xxx为训练集图片根目录地址，一定要是绝对路径
val: xxx/xxx/val.txt
nc: 1 #class标签数量
names: ["1"]#class标签名称
conda在主文件夹下运行下面命令：
yolo train data=data/data.yaml model=yolov8s.pt epochs=300 imgsz=640 batch=8 workers=0 device=cpu
data为yaml配置文件
model为下载的模型，放在主文件下
epochs为训练轮数
imagez为训练时ai看到的图片大小，检查大图片建议使用640，小图片可以320 越大越吃性能
batch为一轮训练中每一次放入图片数量，越大越快效果越好，但是对性能要求越高
device为使用的设备，使用cpu练就写cpu，使用显卡大多数都是0，多显卡就0，1，2，3，...多少显卡往后写多少
也可以使用python代码文件进行训练 复制下面代码创建一个train.py文件 运行即可
from ultralytics import YOLO
# Load a model
model = YOLO("yolov8n.yaml") # build a new model from YAML
model = YOLO("yolov8n.pt") # load a pretrained model (recommended for training)
model = YOLO("yolov8n.yaml").load("yolov8n.pt") # build from YAML and transfer weights
# Train the model
results = model.train(data="data/data.yaml", epochs=100, imgsz=640)
运行出现下面效果即为成功
扩展：训练自己的模型（GPU）
首先打开命令栏输入nvcc -V，查看自己的cuda版本
在使用nvidia-smi查看是否安装cuda，如果显示没有此命令则没有安装，去CUDA Toolkit Archive | NVIDIA Developer该网站，找到对应版本cuda和系统版本进行下载安装，具体安装步骤可以搜一下，安装完成后再次输入nvidia-smi出现下图即为成功。
再去pytorch官网，下载对应cuda版本和操作系统的pytorch，如果找不到对应版本，可以安装低于电脑cuda版本的pytorch。
例如图cuda11.1 在conda中创建的虚拟环境运行下面对应的pip安装，使用国内下载源进行下载大大减少下载时间，等他下载完，在当前conda安装环境输入pip list找到torch+torchaudio+torchvision三个包，在版本后带有+cuxxx或者有nvidia等字样即为安装成功。
输入下面代码进行测试，如果有多个显卡，在device=0，1，2…
yolo train data=data/data.yaml model=yolov8s.pt epochs=300 imgsz=640 batch=8 workers=0 device=0
可以运行，并且在运行时显示显卡型号即为成功。
