目录
一：前言
二：安装yolov8
一：前言
最近看了 YOLO 的发展史，发现在机器视觉领域的应用非常广泛，f刚好最近一直在做机器视觉的工作，特此记录下搭建yolov的环境。我们使用的版本是yolov8的就用这个作为演示搭建过程。
二：安装yolov8
1： 安装地址 https://github.com/ultralytics/ultralytics
直接git clone
https://github.com/ultralytics/ultralytics.git
2： 安装完，安装依赖包：
我们可以把依赖包定义在requirements.txt中，进行批量安装，这样就不用一个一个安装。
如下:
psutil
opency-python
pyyaml
matplotlib
tqdm
requests
安装前，我们需要创建一个虚拟环境：
conda create -n yolon8 python==3.10
激活环境：
activate yolon8
批量安装：
pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple
查看安装的包：
conda list
3：安装pytorch
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118
yolov8的模型训练和使用依赖于pytorch，这个安装时间会比较长。
4：安装ultralytics
pip install ultralytics
这个安装过程中，需要安装其他库文件，时间比较长，而且链接github不稳定，老是为超时，可以多尝试几次。
这里安装出现错误
我们单独安装:
pip install pandas
5：安装完我们可以在命令行训练模型：
yolo task=detect mode=predict model=yolov8n.pt conf=0.25 source='ultralytics/assets/bus.jpg'
6： 使用训练的模型检测：
yolo task=detect mode=predict model=yolov8n.pt conf=0.25 source='ultralytics/assets/xingren.jpg'
附：训练方法
1： 多Gpu训练:
from ultralytics import YOLO
# Load a model
model = YOLO('yolov8n.pt') # load a pretrained model (recommended for training)
# Train the model with 2 GPUs
results = model.train(data='coco128.yaml', epochs=100, imgsz=640, device=[0, 1])
命令行模式:
yolo detect train data=coco128.yaml model=yolov8n.pt epochs=100 imgsz=640 device=0,1
2：单GPU或cpu
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)
# 或者这么写
model = YOLO('yolov8n.yaml').load('yolov8n.pt') # build from YAML and transfer weights
# Train the model
results = model.train(data='coco128.yaml', epochs=100, imgsz=640)
命令行模式:
olo detect train data=coco128.yaml model=yolov8n.pt epochs=100 imgsz=640
