大家好今天给大家带来的是Anaconda的安装并且利用Anaconda安装和配置YOLOv8。【Windows下】下载Anaconda1、官方渠道下载这里是Anaconda的官网这里是Anaconda的下载页或者点击此处直接开始下载版本Anaconda3-2024.10-1-Windows-x86_642、网盘下载百度网盘链接提取码mAge版本Anaconda3-2024.10-1-Windows-x86_64安装Anaconda这里的安装比较简单只要注意选择安装路径不要在C盘不要有中文路径即可。不放心的小伙伴可以在本站搜索其他人的文章这里帮你编辑好了链接点一下直接搜索下载CUDA和cuDNN选看如果使用CPU运算可以跳过这个步骤。如果采用GPU运算则CUDA必须要下载同时CUDA版本必须与显卡驱动兼容。这里提供一篇参考文章可以按照这个安装CUDA和cuDnn这里对CUDA和cuDNN进行解释参考文章中没有提到CUDACompute Unified Device Architecture是 NVIDIA 开发的一种并行计算平台和编程模型它允许开发者利用 NVIDIA GPU来进行 通用计算任务GPGPUGeneral-Purpose computing on Graphics Processing Units。【也被戏称为NVIDIA的护城河】通过 CUDA开发者可以编写程序来执行复杂的计算任务如机器学习、图像处理、科学模拟等并显著加速这些任务的处理速度。cuDNNCUDA Deep Neural Network library是 NVIDIA 提供的一个深度神经网络库旨在加速深度学习应用中的常见操作。它特别针对 GPU 优化能够显著提高训练和推理的效率。创建和配置环境YOLOv8这里提供两种配置环境的方法第一种利用Anaconda Navigator的可视化创建环境如下这个嘎嘎慢等的急人建议还是下面的终端命令行安装好了Anaconda后电脑上会出现Anaconda Navigator应用程序。找不到的可以在搜索栏搜索打开如图打开后按照下图中的序号操作名字随意不带中文值得注意的是这里建议选择python3.8.X版本其他Python版本可能出现不兼容的情况。接下来就需要等待一段时间等待环境初始化。初始化完成后在此处打开终端如图打开终端后在路径的前面显示了刚刚为环境取的名字就是成功了。接下来安装YOLOv8和必要工具在刚刚打开的终端内输入下面的命令当前pip方式提供的yolo版本最高且默认为8.3.55日期2024.12.29pip install ultralytics //安装依赖库包括NumPy、PyTorch等pip install labelimg //在环境中安装labelimg图形化图像标注工具安装完成后使用下面命令查看版本号检验是否配置成功yolo -v //显示版本号就是成功labelimg //出现一个程序窗口就是成功接下来提供第二种方法终端命令行方式创建执行下面命令创建环境依然推荐使用python3.8conda create -n yolov8 python3.8过程中需要交互一次键入Y即可使用conda create -n yolov8 python3.8 -y命令可以避免交互创建完成后输入下面这条命令检验创建是否成功conda env list回显有刚刚创建的名字就是成功了。键入如下命令进入环境激活环境conda activate yolov8进入成功后路径的前面会出现环境名称使用下面命令安装YOLOv8pip install ultralyticspip install labelimg安装完成后使用下面命令查看版本号检验是否配置成功yolo -vlabelimg至此环境配置成功。但是想要运行YOLO光有环境不行还需要源码即具体实现。下面将下载YOLO源码并进行测试。测试阶段YOLOv8第一步下载YOLOv8源码可以官网下载点击跳转仓库页或者点击此处直接下载网盘链接分享日期2024.12.29第二步解压注意路径不能有中文第三步在激活环境的情况下进入刚刚解压的文件夹psdir查看目录cd进入目录键入盘符加英文冒号跳转盘符e第四步对 预测训练验证 算法进行测试训练-测试为该测试数据集这里直接下载coco128样本。点击此处下载来源GitHub网盘链接点击此处直接跳转下载下来后解压到文件夹./ultralytics-main/datasets下没有这个文件夹就手动创建一个选择yolov8n模型利用coco128数据训练。epochs为遍历数据集次数imgsz规范输入图片大小(如果没有事先下载这个数据集会通过coco128.yaml配置文件进行下载但是会比较慢)yolo train model yolov8n.pt data coco128.yaml epochs 10 imgsz 640遍历过程模型的结构概要和在该数据集上的评估结果回显进入文件夹./ultralytics-main/runs/detect/train下查看预测文件如图验证-测试选择yolov8n模型利用coco128数据验证yolo val model yolov8n.pt data coco128.yaml模型结构概要、数据集扫描结果以及各个类别的性能评估指标打开文件夹./ultralytics-main/runs/detect/val查看预测文件预测-测试1、使用自带的yolov8n模型device等于0表示使用GPU-0进行预测即使用检测到的首个GPU或主GPU进行预测这个设置服务于有多个GPU的系统2、如果是用CPU处理则置devicecpu# GPU预测 yolo predict modelyolov8n.pt sourceultralytics/assets/bus.jpg device0 # CPU预测 yolo predict modelyolov8n.pt sourceultralytics/assets/bus.jpg devicecpu回显打开文件夹./ultralytics-main/runs/detect/predict查看预测效果如图测试成功配置完成。参考文章2024最新的YOLOv8安装配置全流程来自桃之夭夭ღ 从零开始的人工智能之路（2）【Anaconda+YOLOv8】
大家好今天给大家带来的是Anaconda的安装并且利用Anaconda安装和配置YOLOv8。【Windows下】下载Anaconda1、官方渠道下载这里是Anaconda的官网这里是Anaconda的下载页或者点击此处直接开始下载版本Anaconda3-2024.10-1-Windows-x86_642、网盘下载百度网盘链接提取码mAge版本Anaconda3-2024.10-1-Windows-x86_64安装Anaconda这里的安装比较简单只要注意选择安装路径不要在C盘不要有中文路径即可。不放心的小伙伴可以在本站搜索其他人的文章这里帮你编辑好了链接点一下直接搜索下载CUDA和cuDNN选看如果使用CPU运算可以跳过这个步骤。如果采用GPU运算则CUDA必须要下载同时CUDA版本必须与显卡驱动兼容。这里提供一篇参考文章可以按照这个安装CUDA和cuDnn这里对CUDA和cuDNN进行解释参考文章中没有提到CUDACompute Unified Device Architecture是 NVIDIA 开发的一种并行计算平台和编程模型它允许开发者利用 NVIDIA GPU来进行 通用计算任务GPGPUGeneral-Purpose computing on Graphics Processing Units。【也被戏称为NVIDIA的护城河】通过 CUDA开发者可以编写程序来执行复杂的计算任务如机器学习、图像处理、科学模拟等并显著加速这些任务的处理速度。cuDNNCUDA Deep Neural Network library是 NVIDIA 提供的一个深度神经网络库旨在加速深度学习应用中的常见操作。它特别针对 GPU 优化能够显著提高训练和推理的效率。创建和配置环境YOLOv8这里提供两种配置环境的方法第一种利用Anaconda Navigator的可视化创建环境如下这个嘎嘎慢等的急人建议还是下面的终端命令行安装好了Anaconda后电脑上会出现Anaconda Navigator应用程序。找不到的可以在搜索栏搜索打开如图打开后按照下图中的序号操作名字随意不带中文值得注意的是这里建议选择python3.8.X版本其他Python版本可能出现不兼容的情况。接下来就需要等待一段时间等待环境初始化。初始化完成后在此处打开终端如图打开终端后在路径的前面显示了刚刚为环境取的名字就是成功了。接下来安装YOLOv8和必要工具在刚刚打开的终端内输入下面的命令当前pip方式提供的yolo版本最高且默认为8.3.55日期2024.12.29pip install ultralytics //安装依赖库包括NumPy、PyTorch等pip install labelimg //在环境中安装labelimg图形化图像标注工具安装完成后使用下面命令查看版本号检验是否配置成功yolo -v //显示版本号就是成功labelimg //出现一个程序窗口就是成功接下来提供第二种方法终端命令行方式创建执行下面命令创建环境依然推荐使用python3.8conda create -n yolov8 python3.8过程中需要交互一次键入Y即可使用conda create -n yolov8 python3.8 -y命令可以避免交互创建完成后输入下面这条命令检验创建是否成功conda env list回显有刚刚创建的名字就是成功了。键入如下命令进入环境激活环境conda activate yolov8进入成功后路径的前面会出现环境名称使用下面命令安装YOLOv8pip install ultralyticspip install labelimg安装完成后使用下面命令查看版本号检验是否配置成功yolo -vlabelimg至此环境配置成功。但是想要运行YOLO光有环境不行还需要源码即具体实现。下面将下载YOLO源码并进行测试。测试阶段YOLOv8第一步下载YOLOv8源码可以官网下载点击跳转仓库页或者点击此处直接下载网盘链接分享日期2024.12.29第二步解压注意路径不能有中文第三步在激活环境的情况下进入刚刚解压的文件夹psdir查看目录cd进入目录键入盘符加英文冒号跳转盘符e第四步对 预测训练验证 算法进行测试训练-测试为该测试数据集这里直接下载coco128样本。点击此处下载来源GitHub网盘链接点击此处直接跳转下载下来后解压到文件夹./ultralytics-main/datasets下没有这个文件夹就手动创建一个选择yolov8n模型利用coco128数据训练。epochs为遍历数据集次数imgsz规范输入图片大小(如果没有事先下载这个数据集会通过coco128.yaml配置文件进行下载但是会比较慢)yolo train model yolov8n.pt data coco128.yaml epochs 10 imgsz 640遍历过程模型的结构概要和在该数据集上的评估结果回显进入文件夹./ultralytics-main/runs/detect/train下查看预测文件如图验证-测试选择yolov8n模型利用coco128数据验证yolo val model yolov8n.pt data coco128.yaml模型结构概要、数据集扫描结果以及各个类别的性能评估指标打开文件夹./ultralytics-main/runs/detect/val查看预测文件预测-测试1、使用自带的yolov8n模型device等于0表示使用GPU-0进行预测即使用检测到的首个GPU或主GPU进行预测这个设置服务于有多个GPU的系统2、如果是用CPU处理则置devicecpu# GPU预测 yolo predict modelyolov8n.pt sourceultralytics/assets/bus.jpg device0 # CPU预测 yolo predict modelyolov8n.pt sourceultralytics/assets/bus.jpg devicecpu回显打开文件夹./ultralytics-main/runs/detect/predict查看预测效果如图测试成功配置完成。参考文章2024最新的YOLOv8安装配置全流程来自桃之夭夭ღ