最新版请移步
YOLOv8最新配置环境 （2024.7.23）
以下为老版本
这个是我上传到csdn的YOLOv8的整个文件夹（内含yolov8s.pt和yolov8n.pt）
第一步 下载YOLOv8代码
由于官网的数据更新，现在链接只能下载yolov11的代码（v11的代码也可以训练v8的预训练模型），需要yolov8代码可以下载之前上传的CSDN资源
github：YOLOv8-github
gitee:YOLOv8-gitee
推荐使用国内的gitee
第二步 创建conda虚拟环境
如果没有安装conda可以搜索一下conda配置教程，按照流程安装好conda，还要下载好符合自己电脑版本的CUDA 后续会用。
第一步 打开conda窗口 进入到安装的YOLOv8界面
第二步 创建新的虚拟环境
输入下面命令
conda create -n y8 python=3.8是否安装环境所需基础包，输入y安装即可，安装完成如下图
输入下面命令查看是否创建成功
conda env list激活进入环境
conda activate y8激活成功后，前面的base会替换成y8
第三步 安装配置文件
首先先把pip的源换到国内aliyun镜像，下载速度提高很多
pip config set install.trusted-host mirrors.aliyun.com首先conda环境cd进入ultralytics-main下，在文件夹内有个配置文件requirements.txt 在conda页面使用pip安装一下
注意如果是2024新版yolov8 requirements.txt文件在ultralytics.egg-info文件夹下
pip install -r requirements.txt很多网友反应requirements.txt没有了，我把内容放在这，复制自己新建一个requirements.txt安装，配置环境。
# Ultralytics requirements# Usage: pip install -r requirements.txt# Base ----------------------------------------matplotlib>=3.2.2 numpy>=1.22.2# pinned by Snyk to avoid a vulnerabilityopencv-python>=4.6.0 pillow>=7.1.2 pyyaml>=5.3.1 requests>=2.23.0 scipy>=1.4.1 torch>=1.7.0 torchvision>=0.8.1 tqdm>=4.64.0# Logging -------------------------------------# tensorboard>=2.13.0# dvclive>=2.12.0# clearml# comet# Plotting ------------------------------------pandas>=1.1.4 seaborn>=0.11.0# Export --------------------------------------# coremltools>=6.0,<=6.2 # CoreML export# onnx>=1.12.0 # ONNX export# onnxsim>=0.4.1 # ONNX simplifier# nvidia-pyindex # TensorRT export# nvidia-tensorrt # TensorRT export# scikit-learn==0.19.2 # CoreML quantization# tensorflow>=2.4.1 # TF exports (-cpu, -aarch64, -macos)# tflite-support# tensorflowjs>=3.9.0 # TF.js export# openvino-dev>=2023.0 # OpenVINO export# Extras --------------------------------------psutil# system utilizationpy-cpuinfo# display CPU info# thop>=0.1.1 # FLOPs computation# ipython # interactive notebook# albumentations>=1.0.3 # training augmentations# pycocotools>=2.0.6 # COCO mAP# roboflow我已经安装了一遍，安装完成大概如下图所示
安装完配置文件在安装一下yolov8在python>=3.8版本必要安装包
pip install ultralytics第四步 下载训练模型，推荐yolov8s.pt或者yolov8n.pt，模型小，下载快，在gitee或者github下方readme里面，下载完成后，将模型放在主文件夹下，
yolov8s.pt下载地址：yolov8s.pt
yolov8n.pt下载地址：yolov8n.pt
YOLOv8 可以在命令行界面（CLI）中直接使用，使用yolov8自带经典图片进行测试：
首先cd进入yolov8主文件夹下，运行下面命令
无显卡驱动 yolo predict model=yolov8n.pt source='ultralytics/assets/bus.jpg' device=cpu 有显卡驱动(看扩展的部分，安装gpu版本torch才能运行) yolo predict model=yolov8n.pt source='ultralytics/assets/bus.jpg' device=0我的结果保存在runs\detect\predict4中，你们的看Results saved to 存放地址，结果如下图
如果出现上面图片即成功
第四步 训练自己模型（cpu）
首先在yolov8主文件夹内创建data文件夹，创建一个data.yaml文件：
这里需要转成yolov8训练集 train: xxx/xxx/images/train //xxx/xxx为训练集图片根目录地址，一定要是绝对路径 val: xxx/xxx/images/val nc: 1 #标签数量 names: ["1"]#标签名称conda在主文件夹下运行下面命令：
yolo train data=data/data.yaml model=yolov8s.pt epochs=300 imgsz=640 batch=8 workers=0 device=cpu data为yaml配置文件 model为下载的模型，放在主文件下 epochs为训练轮数 imagez为训练时ai看到的图片大小，检查大图片建议使用640，小图片可以320 越大越吃性能 batch为一轮训练中每一次放入图片数量，越大越快效果越好，但是对性能要求越高 device为使用的设备，使用cpu练就写cpu，使用显卡大多数都是0，多显卡就0，1，2，3，...多少显卡往后写多少运行出现下面效果即为成功
扩展：训练自己的模型（GPU）
首先打开命令栏输入nvcc -V，查看自己的cuda版本
在使用nvidia-smi查看是否安装cuda，如果显示没有此命令则没有安装，去CUDA Toolkit Archive | NVIDIA Developer该网站，找到对应版本cuda和系统版本进行下载安装，具体安装步骤可以参考此教程【精选】CUDA安装及环境配置——最新详细版_abbrave的博客-CSDN博客，安装完成后再次输入nvidia-smi出现下图即为成功。再去pytorch官网，下载对应cuda版本和操作系统的pytorch，如果找不到对应版本，可以安装低于电脑cuda版本的pytorch。
例如图cuda11.1 在conda中创建的虚拟环境运行下面对应的pip安装，在安装命令后面加上-i https://pypi.douban.com/simple/ some-package 使用国内下载源进行下载大大减少下载时间，等他下载完，在当前conda安装环境输入pip list找到torch+torchaudio+torchvision三个包，如下图在版本后带有+cuxxx即为安装成功。
输入下面代码进行测试，如果有多个显卡，在device=0，1，2…
yolo traindata=data/data.yamlmodel=yolov8s.ptepochs=300imgsz=640batch=8workers=0device=0
可以运行，并且在运行时显示显卡型号即为成功。
如果还有问题可以添加下面vx备注yolov8，我拉个群聊大家一起讨论
