YOLOv8训练模型环境安装记录本文主要详细介绍了YOLOv8训练模型之前的环境准备，详细介绍了需要安装的环境的详细操作

使用YOLOv8的原因是因为YOLOv8模型检测精度更高且拓展性更好（支持分割/姿态估计等新任务）

环境安装

安装miniconda

miniconda清华镜像地址

0下载miniconda.png

miniconda是anaconda的轻量版，仅包括 conda、Python、它们两者所依赖的包以及少量其他有用的包（官网说的，我简单粘贴一下）。

安装的时候注意安装目录中不要有中文，勾选将其添加到PATH

1miniconda安装选择justme.png

2miniconda安装到一个空文件夹.png

3miniconda安装选择添加PATH环境变量.png

conda环境创建

因为在当前环境安装不同的库，后期可能会过于臃肿。不同的项目可能使用的库的版本也不一样。为了彼此之间不互相干扰，使用虚拟环境。

可以按下windows键，之后在搜索框输入conda就可以看到Anaconda Prompt,进入之后显示默认路径。

4windows搜索conda命令行.png

配置conda镜像

1.配置conda镜像服务器，加快文件下载速度（非必需）依次输入下面两条命令

 conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
 conda config --set show_channel_urls yes

配置pypi镜像

pypi配置清华镜像（非必需）

pip config set global.index-url https://mirrors.tuna.tsinghua.edu.cn/pypi/web/simple

修改虚拟环境的默认路径（非必需）

找到用户目录下的.condarc文件（C:\Users\username）。

打开.condarc文件之后，添加或修改.condarc 中的 env_dirs 设置环境路径，按顺序第⼀个路径作为默认存储路径，搜索环境按先后顺序在各⽬录中查找。直接在.condarc添加：

envs_dirs:
  - D:\SoftD\08envs
pkgs_dirs:
  - D:\SoftD\08envs

创建python3.8虚拟环境(虚拟环境名称为yolov8)

conda create -n yolov8 python=3.8

需要明确指定版本，否则可能会导致有些包安装不上。python版本太高容易和其他库产生版本不兼容问题。 5conda创建虚拟环境并且激活虚拟环境.png

激活3.8虚拟环境

 conda activate yolov8

如图所示激活成功

安装pytorch

在一个单独的环境中，能使用pip就尽量使用pip，实在有问题的情况，例如没有合适编译好的系统版本的安装包，再使用conda进行安装，不要来回混淆。

CUDA是否要安装

如果只需要训练，简单推理，则无需单独安装CUDA，直接安装pytorch；如果有部署需求，例如导出TensorRT模型，则需要进行CUDA安装。

两种方式查看CUDA的版本，二选一查看即可，安装的pytorch版本低于CUDA版本即可。

NVIDIA控制面板

桌面右键查看NVIDIA控制面板，点击之后界面左下角点击系统信息

之后点击组件

7英伟达显卡的版本.png

命令行

nvidia-smi

8命令行显示CUDA版本.png

如果显示不是内部或外部命令也不是可运行的程序，请检查是否安装驱动或者配置环境变量

参考文档【Windows】输入nvidia-smi显示不是内部或外部命令也不是可运行的程序解决办法_nvidia' 不是内部或外部命令,也不是可运行的程序-CSDN博客

pytorch安装注意事项

需要注意两种类型的显卡，16xx的显卡，安装cu102的版本，否则可能训练出现问题；30xx、40xx显卡要安装cu111以上的版本，否则无法运行。

pytorch安装

打开官网寻找合适版本

9安装pytorch.png ctrl+f搜索cu110找这个版本之前的版本下载，复制命令到终端，回车安装。

pip install torch==1.7.1+cu101 torchvision==0.8.2+cu101 torchaudio==0.7.2 -f https://download.pytorch.org/whl/torch_stable.html

（这个指令是针对我的电脑，你的电脑请自行查阅）

到这里pytorch就安装完成了。

YOLOv8安装

下载源码解压使用（不推荐，无法使用命令行工具）

官方地址就是github的ultralytics仓库，下载zip解压，vscode打开，理论上把代码写根目录下就可以跑代码了，YOLOv8没有提供像YOLOv5一样明确的训练检测代码，只能从头写起，但是YOLOv8提供命令行的方式执行脚本，但是写的脚本不能通过命令行执行。

pip直接安装（官方推荐，但是不方便修改源码）

在conda命令行执行pip install ultralytics安装完成后可以看YOLOv8文档查看cli的usage，执行yolo predict model=yolov8n.pt source=ultralytics/assets/bus.jpg 对图片进行预测.,之后会自动下载模型进行预测。

在conda命令行执行命令，注意要在源码的目录下执行。

不推荐这种方式是因为不好修改源码

pip源码安装（最佳实践）

pip install torch==1.7.1+cu101 torchvision==0.8.2+cu101 torchaudio==0.7.2 -f https://download.pytorch.org/whl/torch_stable.html

cd ultralytics
pip install -e .

-e参数必须要有，否则后续修改代码无效

使用最佳实践安装提示版本不兼容警告，截图如下 10pytorch与yolov8版本不符合（显卡配置受限制）.png

之后重新卸载pytorch全家桶重新安装与cu110完全匹配的版本

pip install torch==1.7.0+cu110 torchvision==0.8.0+cu110 torchaudio==0.7.0 -f https://download.pytorch.org/whl/torch_stable.html

提示yolov8需要torch>=1.8,TORCHVISION>=0.9.0;查阅pytorch文档找到一个更合适的，安装

pip install torch==1.8.1+cu102 torchvision==0.9.1+cu102 torchaudio==0.8.1 -f https://download.pytorch.org/whl/torch_stable.html

安装成功的截图

11pytorch安装成功.png

正确使用windows终端

windows的终端

cmd（命令提示符） anaconda prompt（） powershell（无法激活环境）

模型预测

模型预测的基本使用

yolo task=detect  mode=predict model=yolov8n.pt source="./ultralytics/assets/bus.jpg"

参数解释

yolo：启动

task：指定任务

mode：训练，预测还是验证 4.model:

source：检测的对象

在YOLOv8中可以使用三行代码进行模型预测

from ultralytics import YOLO
yolo =YOLO("./yolov8n.pt",task="detect")
result=yolo(source="./ultralytics/assets/bus.jpg")

source=screen是检测屏幕;source=0是摄像头检测。

训练模型

配置python interpreter

配置data.yaml文件

# data.yaml
train: ./datasets/images/train  # 训练集路径
val: ./datasets/images/val      # 验证集路径

# 类别数量及名称
nc: 1                          # 类别数（根据实际修改）
names: ['cat'] # 类别名称（按顺序对应 class_id）

YOLOv8训练自定义数据集

启动虚拟环境

 conda activate yolov8