YOLOV8的学习记录（一）环境配置和安装

YOLO8的官网地址：YOLOv8 - Ultralytics YOLO Docs

•  YOLOV8的环境要求：

YOLO集成在ultralytics库中，ultralytics库的环境要求：

        Python>=3.7

        PyTorch>=1.10.0

在按照所需python版本新建好的conda环境中安装好torch，然后：

pip install ultralytics

•  下载模型权重：

打开链接：

GitCode - 全球开发者的开源社区,开源代码托管平台

        获得模型权重文件：yolov8n.pt。这只是其中的一个模型权重，你也可以从ultralytics官网或者别的途径获取到别的模型。

•  安装完后的简单验证：

随便搞一张图片吧，我家的小毛迪：

将两个文件复制到同一个目录下。 

在上面两个文件所在的目录下，鼠标右键-->Open in Terminal：在打开的终端中输入：

conda activate yolo8 yolo predict model=yolov8n.pt source=cat.jpg

yolo8是之前创建的环境名，yolov8n.pt是下载得到的模型权重，cat.jpg是用来预测的图片名。

运行后：

打开预测结果所在的目录(Result saved to后面的那个)，看到：

 成功运行。

•  在python脚本中运行预测：

        •  在pycharm中新建项目，并将解释器设为之前创建的conda环境。

        •  新建脚本，输入代码：

from ultralytics import YOLO model = YOLO(model='yolov8n.pt') image_path = 'cat.jpg' results = model.predict(source=image_path, save=True)

运行之后，在项目下面的目录：runs/detect/predict可以看到预测结果。

• 再来试一段视频的预测：

from ultralytics import YOLO # 加载预训练的 YOLOv8 模型 model = YOLO('yolov8n.pt') # 定义待预测的视频路径 video_path = 'video.mp4' # 进行预测 results = model.predict(source=video_path, save=True)

视频的截图：

预测得到的结果是一个avi文件：

更为详细的组态过程： 基于深度学习的视觉检测小项目（二） 环境和框架搭建_a module that was compiled using nu-CSDN博客