一、环境安装

1.miniconda

mini精简，下载完成后，在conda prompt中创建环境：
conda create -n yolov8 python=3.8
pip配置镜像源：（永久）

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

2.pytorch

下载去官网：找历史版本，没有gpu
有gpu： 查NVIDIA的版本：终端输入：nVidia-smi，输出CUDA的版本

注意事项： 16开头的，需要安装cu102的版本，否则出现问题
30或者40开头的显卡，安装cu111以上的版本，否则无法运行

复制安装指令在环境中直接安装

3. ultralytics安装

• 直接下yolov8的源码： 和yolov5相同，但是结构没有v5清晰，提供了命令行的方式，但是直接用源码是用不了命令行的：https://github.com/ultralytics下载包解压
• pip源码安装：在上述基础上，终端进入ultralytics-main中输入：pip install -e .，用pip list检验。这样去修改源码之后，就会调用修改之后的代码去做检测。
• 注：检测的测试可以去yolo的github主页的文档中（yoloV8 Docs–>usage–>CLI–>predict–>‘yolo predict model= yolov8n.pt source =’‘’），寻找一个模型进行下载，然后给予一张检测的图像，在中段运行即可。例如：yolo predict model=yolov8n.pt source="C:\Users\Lsc\Desktop\ultralytics-main\ultralytics-main\ultralytics\assets\zidane.jpg"
  

4.终端使用

使用cmd或者conda prompt
只要再vscode中配置改成cmd就可以再软件内默认配置文件使用cmd的终端。

二、环境安装

1.基本使用

命令行的方式：yolo task=detect model=./yolov8n.pt source=xx.jpg ,其中task=可以省略。
代码的方式：

from ultralytics import YOLO
yolo = YOLO("./yolov8n.pt",task="detect")
result = yolo(r"C:\Users\Lsc\Desktop\ultralytics-main\ultralytics-main\ultralytics\assets\zidane.jpg")

2.常用参数

常用可以更改的参数位于：C:\Users\Lsc\Desktop\ultralytics-main\ultralytics-main\ultralytics\cfg\default.yaml下
例如：

from ultralytics import YOLO
yolo = YOLO("./yolov8n.pt",task="detect")
result = yolo(source=r"C:\Users\Lsc\Desktop\ultralytics-main\ultralytics-main\ultralytics\assets\1.jpg",save= True)#save=true用于保存检测的结果
#result = yolo(source=0,save= True)#打开摄像头
#result = yolo(source="screen")#检测屏幕

*重点的参数：conf,iou:用于显示检测框的信息，

conf是分数，conf越小，框越多，置信度低
iou越高，框越多，会检测到很多重叠的

3.Boxes和Plot应用

1.可视化

检测的结果保存在result中，result中就包含了boxes等信息
实现检测结果的可视化，在上述的代码上再加上两句

plt.imshow(result[0].plot())
plt.show() 

但是此时的图像是BGR的格式，颜色会很奇怪，如果要修正，转化成RGB，则修改为

plt.imshow(result[0].plot()[:,:,::-1])

2.具体的信息

具体的信息在boxes中，可以直接查看，类似的方法：

print(result[0].boxes.xywh)#张量格式
print(result[0].boxes.xywh.cpu().numpy())#numpy格式

4.注意事项

仅仅在jupyter中存在

三、数据集构建

1.数据准备

图片可以直接标注，视频需要进行抽帧处理，导出图片

2.labelimg数据标注

• 环境安装：
  pip install labelimg
• 启动：
  终端输入abelimg
  左边打开 open dir打开图片文件夹，新建一个标注后的图片文件夹
• 关键设置：
  再view中：auto savemode打开
  模型改为yolo
• 注意：出现闪退问题，将labelimg升级到最新版本

3.make sense数据标注

地址：https://www.makesense.ai/
可以选择目的是目标检测还是图片分类，提前创建好标签，将annotations改为yolo。标注结束可以在网页上直接下载标注好的图片压缩包。
可以支持在线辅助标注，要把模型先全部上传，只支持yolov5,不支持yolov8

4.roboflow公开数据集

• https://public.roboflow.com/object-decetion

四、模型训练

1.训练前准备

数据集准备

• images:存放图片
  • train：训练集图片
  • val ：验证集图片
• labels：存放标签
  • train：训练集标签文件，与训练集图片名称一一对应
  • val ：验证集标签文件，与验证集图片名称一一对应

将images和labels均存放在cat中，将cat存放在datasets文件夹下，注意，此处的dataset一定要存在，可以新建在ultralytics-main下。
在写配置文件，在ultralytics-main下创建yolo-cat.yaml文件，可以仿照cfg下的配置文件进行修改：

path: C:\Users\Lsc\Desktop\ultralytics-main\ultralytics-main\datasets\cat  # 改为完整的绝对路径
train: images/train  # 相对于path的路径
val: images/val      # 相对于path的路径
test:                # 测试集（可选）

# Classes
names:
  0: cat1
  1: cat2

2.模型训练与常见参数

• 以命令行的方式启动：

yolo task=detect mode=train model=C:\Users\Lsc\Desktop\ultralytics-main\ultralytics-main\yolov8n.pt data=C:\Users\Lsc\Desktop\ultralytics-main\ultralytics-main\yolo-cat.yaml epochs=10 workers=1 batch=3

workers要设置为1
注：数据集的路径是由setting.json的dataset_dir和yaml中的path拼接而成，所以要检查是否正确

• 以代码的方式启动：

from ultralytics import YOLO

#加载模型
model = YOLO('yolov8n.pt')

#训练模型
model.train(data ='yolo-cat.yaml',workers=0,epochs=10,batch=3)

workers要设置为0，我这里设置为1也没有报错。

训练时最好将epochs设置的大一点，这样模型的效果会更好，等待模型训练完成，结果会保存在C:\Users\Lsc\Desktop\ultralytics-main\ultralytics-main\runs\detect\train5路径下
进行预测时，在终端中执行：

yolo detect predict model=C:\Users\Lsc\Desktop\ultralytics-main\ultralytics-main\runs\detect\train5\weights\best.pt source=C:\Users\Lsc\Desktop\ultralytics-main\ultralytics-main\1.jpg show=true    

预测的结果会保存在

C:\Users\Lsc\Desktop\ultralytics-main\runs\detect\predict14

如果要修改预测结果的保存路径，就需要打开setting.json，修改：

  "runs_dir": "C:\\Users\\Lsc\\Desktop\\ultralytics-main\\ultralytics-main\\runs",

3.注意事项

常见问题
以代码方式运行时

• workers要设置成0，windows

页面文件太小，无法完成操作

• 调整训练参数中的workers，设置为1
• 修改虚拟内存，将环境安装位置所在的盘，设置一个较大的参数

数据集描述文件

• 数据地址从datasets目录里开始写起，且就放在根目录下，会避免很多坑
  调整数据集目录后再次训练
• 删除~/AppData/Roaming/Ultralytics文件夹下的settings.yaml

整个的工作目录就是