手把手教会你用yolov8从环境配置到检测任务实战

VIP手把手教会你用yolov8从环境配置到检测任务实战
做本文章前,我浏览过很多网上资料,我发现他们总是写的含糊不清,而且实际操作起来就会有各种各样的问题,要么就是根本不适合一些小白,所以我在这里写一篇完全针对小白的yolo从入门到实战。看完本文章后大家都可以实现下图效果,数字识别是一种比较简单的检测任务,其他识别任务学完本例也能够一通百通,大家边做边学,更好的体会yolo的神奇之处。
开通可读全文 ·2.8k 人阅读
最低0.47元/天 解锁文章

前言

做本文章前,我浏览过很多网上资料,我发现他们总是写的含糊不清,而且实际操作起来就会有各种各样的问题,要么就是根本不适合一些小白,所以我在这里写一篇完全针对小白的yolo从入门到实战。

看完本文章后大家都可以实现下图效果,数字识别是一种比较简单的检测任务,其他识别任务学完本例也能够一通百通,大家边做边学,更好的体会yolo的神奇之处。

在这里插入图片描述

step1 创建虚拟环境

前提是需要下载anaconda,然后才能用conda创建一个虚拟环境。后续进行的所有操作都要在该环境下进行,这是非常重要的!!!
打开Anaconda Prompt输入:

conda create -n yolov8 python=3.8

Procced([Y/y])的时候选择:y,下载相关的库函数。
下载库的过程

step2 配置国内源

这里推荐使用:清华源
我们可以直接在虚拟环境内设置清华园成默认:

pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple

在这里插入图片描述

step3 pytorch安装

首先进入到pytorch官网:pytorch官网
为了避免不兼容,我们下载历史版本的pytorch,暂不使用最新版本的。
在这里插入图片描述

然后我们需要根据自己的电脑来选择相应版本的pytorch。
我们在终端输入:

nvidia-smi

在这里插入图片描述
可以看到我的这个电脑版本的显卡是11.6的所以我们在官网上下载一个更老的版本(为了防止无法训练)。
在这里插入图片描述
这个包有2.4G,让我们耐心等待一下吧。
在这里插入图片描述
终于下载好了!

step4 安装ultralytics(yolov8)

具体可以参考官方文档:ultralytics
这里我打开github里面的ultralytics下载:github yolov8,如果github打不开的小伙伴看这篇文章:解决github打不开问题。
下载后的ZIP文件我是直接解压到桌面上的。
在这里插入图片描述
之后在终端打开放在桌面上的ultralytic-main路径,之后输入:

pip install -e .

如果没有输入这个的话,后续修改代码无效。
等待完成后,输入:

pip list

如果里面有ultralytic则说明安装成功了。
在这里插入图片描述

step5 验证环境

在该路径下输入:

yolo predict model=yolov8n.pt source=ultralytics/assets/bus.jpg

用官方给的bus.jpg去检测一下。

在这里插入图片描述
在这里插入图片描述
我们可以发现出现的结果是:4个人、1辆公交还有一个信号牌子,检测的是非常准的。
到此我们就大工告成了。 找到runs\detect\predict可以看到检测后的图片。
在这里插入图片描述

step6 制作数据集

制作数据集先下载labelimg工具,对数据进行标记。
在终端输入:

pip install labelimg -i https://pypi.tuna.tsinghua.edu.cn/simple

然后输入:

labelimg

成功打开labelImg后就可以对数据进行标记了,具体标记方法就是框出你要识别的物体,非常简单。

导出的label格式类型选择yolo,然后文件怎么放不用过多在意,后面用脚本可以迅速分类~!

脚本代码如下:

import os
import random
import shutil

def copy_files(src_dir, dst_dir, filenames, extension):
    os.makedirs(dst_dir, exist_ok=True)
    missing_files = 0
    for filename in filenames:
        src_path = os.path.join(src_dir, filename + extension)
        dst_path = os.path.join(dst_dir, filename + extension)
        
        # Check if the file exists before copying
        if os.path.exists(src_path):
            shutil.copy(src_path<
VIP 官方正品 | Ultralytics YOLOv8算法来啦(尖端SOTA模型) 🚀🚀YOLOv8 是 Ultralytics 开发的 YOLO(You Only Look Once)物体检测和图像分割模型的最新版本。YOLOv8是一种尖端的、最先进的SOTA模型,它建立在先前YOLO成功基础上,并引入了新功能和改进,以进一步提升性能和灵活性。 开通可读全文·5.8w 阅读·56 点赞·242 收藏 阅读全文

相关推荐

超详细的YOLOv8安装与测试指南:让计算机视觉任务变得简单

python3+、Anaconda3或Miniconda3 Ultralytics提供了多种安装方法,包括pip、conda和Docker。通过pip包安装最新稳定版的YOLOv8,或者克隆Ultralytics GitHub仓库以获取最新版本。Docker可用于在隔离容器中执行包,避免本地安装。 最简单直接的方式就是直接使用pip方法直接安装。 也可以直接从GitHub仓库安装包。如果你想要最新的开发版本,这可能会很有用。确保你的系统上安装了Git命令行工具

CDBmax的博客 1万+

YOLOv8:目标检测与实时应用的前沿探索

YOLOv8作为YOLO家族的新一代模型,融合了之前版本在精度、速度和可扩展性上的优势,并提供了极其友好的工具链,能够快速落地到各类目标检测、分割与关键点检测应用。在实际项目中,要综合考虑数据特征、计算资源、实时性要求等因素,对模型与训练方案进行灵活调整。展望未来,自监督学习多任务学习以及Transformer架构等新兴技术的引入,可能会进一步改变目标检测领域的竞争格局。无论是YOLO还是其他算法,都需要在效率与精度之间做更多探索与权衡。

码上飞扬的博客 2949

深度学习训练营(三):目标检测实战——YOLOv8从入门到部署

通过本文,你已掌握:YOLOv8全流程开发技术工业级模型优化技巧跨平台部署解决方案下期预告:深度学习训练营(四):语义分割实战——打造自动驾驶感知系统挑战任务:使用YOLOv8训练一个交通标志检测模型并部署到手机端!

zzjlhlcd的博客 1039

软件安装及YOLOv8环境配置及验证

主要介绍了相关软件的安装以及YOLOv8环境的配置及验证。

ice 4224

YOLOv8改进,YOLOv8采用RT-DETR检测头,CVPR 2024

RT-DETR(Real-Time DEtection TRansformer)的核心思想是将 Transformer 架构应用于实时目标检测中,并通过改进编码器和解码器的结构,提升检测速度和准确性,从而超越传统的YOLO系列模型。RT-DETR核心细节:高效的混合编码器:RT-DETR提出了一种高效的混合编码器,通过解耦不同尺度特征的交互,减少了计算冗余。

在职AI算法工程师,擅长计算机视觉,YOLO目标检测、分割等,擅长web、pyqt界面可视化,好内容持续更新中,来这里跟大家一起学习,共同进步 2099

Llama模型结构拆解:为什么MLP模块要这样设计?从参数配置到计算流程全解析

本文深入解析了Llama模型MLP模块的设计精髓。通过拆解其三线性层结构、门控机制与SwiGLU激活函数,揭示了并行计算如何提升效率,并详细阐述了intermediate_size参数配置背后的经验权衡与计算考量,帮助读者透彻理解这一核心组件的设计逻辑与工程实现。

mac99的博客 530

静态分析工具COBOT与Testbed对比

Testbed为规则检查工具的代表,市场占有量非常大,但随着时间的推移,大家从规则匹配转向了用静态分析工具检查Bug,所以规则检查型工具占有量比开始时候已经减少,但仍有一些比较落后的单位还在继续采购此类工具。3、通过对开源工程的测试,进行误漏报率的对比,发现COBOT(库博)的误漏报率相比Testbed较低,因COBOT主打国内市场,在众多军工单位进行大量试用及使用,吸取了众多单位的意见和建议,更加符合国内军工单位的使用习惯及测试要求。4、此外库博在功能上还可以进行计划任务,检测队列,检测并发的功能支持。

chengoodflower的博客 2066

stm32f103c8t6+esp8266在WiFi下通过手机控制外设

stm32f103c8t6+esp8266在WiFi下通过手机控制外设前言 前言 通过上一篇,介绍了esp8266的基本功能,这篇将用stm32c8t6配合esp8266进行数据交互,实现用手机通过无线的方式去控制外设、开关等;这里相当于把stm32作为上一篇的串口助手和esp8266进行通信; ...

weixin_45430735的博客 1万+

IEEE Journal of Biomedical and Health Informatics(JBHI)投稿经验分享

《IEEE Journal of Biomedical and Health Informatics投稿经验分享》详细记录了在影响因子6.7的中科院一区期刊JBHI的投稿历程(2025.1-5月,历时4个月)。文章重点分析:1)审稿特色:4位审稿人差异显著,领域专家意见专业但要求严苛;2)修改要点:需重视大修(补充实验/原理阐述),并注意将回复内容同步至正文;3)期刊特点:送审率高但审稿严格,常规投稿周期约4-5个月;4)实用建议:建议首次大修全力以赴,善用AI工具辅助写作,避免拖延。

LiRongLu_的博客 5121

【WRF运行报错】总结WRF运行时报错及解决方案(持续更新)

总结WRF运行时报错及解决方案(持续更新)

WW、forever的博客 1635

Windows10下安装VMware16虚拟机

由于本人系统为Windows 10 家庭中文版,无法安装Linux子系统WSL,虽然网上也有强制安装的方法,但为保险起见,还是把之前的VMware虚拟机重新进行安装,并浅浅记录一下安装过程。

沉香best的博客 868

OpenClaw 自定义 Skill 开发完整指南(最新版)

OpenClaw 中的每个 Skill,本质是一套“能力描述 + 执行逻辑”的组合包,核心特征如下:核心载体:以文件夹为单位,文件夹内必须包含SKILL.md文件(能力描述核心);扩展文件:可选agent.py(Python 执行逻辑)、index.ts(TypeScript 执行逻辑)、(辅助文档/示例资源)等;核心优势:AI 通过阅读 SKILL.md 的自然语言描述理解技能,无需严格遵循代码接口,灵活度极高;

haolove527的专栏 2万+

safetensors_rust.SafetensorError: Error while deserializing header: MetadataIncompleteBuffer解决方案

本文主要介绍了safetensors_rust.SafetensorError: Error while deserializing header: MetadataIncompleteBuffer解决方案,希望能对使用Python的同学们有所帮助。 文章目录 1. 问题描述 2. 解决方案 2.1 Windows 2.2 Linux

weixin_43178406的博客 15万+

IEM模型,地表粗糙度模拟

利用微波反演土壤水分时候,利用IEM模型可以实现对随机地表的模拟

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

贝叶斯统计 [韦来生编]

贝叶斯(Bayes)统计是近几十年来迅速发展起来的数理统计的一个重要分支。贝叶斯方法与经典统计方法的主要不同之处是进行统计推断时除了利用样本信息外,还要利用参数的先验信息,因此可以提高统计推断或统计决策的效果。它在经济、金融、生物、医学、自然科学和社会科学等许多领域具有广泛的应用。贝叶斯方法的研究已渗透到了统计学的几乎所有领域。作者在给中国科学技术大学概率论与数理统计专业本科生开设的“数理统计”课程中有一章专门讲授“贝叶斯方法和统计决策理论”,近十年来也给中国科学技术大学概率统计专业研究生开设过几次“贝叶斯分析”课。本书是在对过去讲稿的内容作了适当的增减和调整的基础上完成的。  本书共分六章。第1章是绪论,介绍了贝叶斯统计的若干基本概念,同时对必要的数理统计的基础知识有重点地作了回顾。第二章介绍了确定先验分布的若干可供选择的方法。第三章介绍了几类常见统计模型参数的后验分布的主要结果和计算方法。第四章和第五章分别介绍了“贝叶斯统计推断”和“贝叶斯统计决策”的内容。第六章介绍了贝叶斯统计计算的若干方法,包括蒙特卡洛方法和马尔可夫链蒙特卡洛(MCMC)方法以及相关统计软件的简介。本书的每一章附右大量的例题和习题,书末附有常用的几个表格和部分习题解答供读者查用。  大约可在54学时内讲授本书的第1章至第六章的主要内容,教师可根据学时需要选讲本书第1章至第六章的部分内容。书中标“*”号的章节可略去不讲,留给读者作为阅读材料。第六章例题中的R代码和部分例题的数据文件等可从作者个人主页下载。  作者在编写本书的过程中参考了J.O.Berger教授的《统计决策论及贝叶斯分析》和茆诗松教授编写的《贝叶斯统计》等书中的一些内容,以及《贝叶斯分析》一书中由张伟平博士编写的有关贝叶斯统计计算的一些内容。在此表示衷心感谢。  本书编写准备过程中,中国科学技术大学统计与金融系的几个研究生帮助完成了本书部分中文的录入和排版,作者对他们的辛勤工作表示真诚的感谢。高等教育出版社为本书的出版给予了大力支持。在此一并致谢。

Probability and Statistics - 4th edition

Probability and Statistics - 4th edition

上一篇: Raspberry Pi Pico 有关LCD1602与超声波传感器HC-SR04的测距显示系统
下一篇: Python常用算法模板(蓝桥杯)
@KevenDuan
博客等级 码龄6年 5211粉丝 28原创
评论 1
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

@KevenDuan

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值
⌂ 换网址