YOLOv8

最新推荐文章于 2026-05-18 12:40:50 发布

原创最新推荐文章于 2026-05-18 12:40:50 发布 · 4.3k 阅读

28 ·

本内容遵循CC 4.0 BY-SA版权协议

GEO检测

标签

#YOLO

该文章已生成可运行项目，

YOLOv8 的下载、使用与导出（亲测有效）

一、YOLOv8环境的安装

安装所需软件：推荐安装Anaconda3+Pycharm

1、安装miniconda

miniconda相比于Anaconda功能上并没有相差太多，但它更加的轻量化

但由于从官网下载比较缓慢，所以这里推荐从国内的镜像源下载

[清华大学开源软件镜像站]https://mirrors.tuna.tsinghua.edu.cn/anaconda/miniconda/

想直接下载的点这个： Miniconda3-py38_22.11.1-1-Windows-x86_64.exe

在这里插入图片描述

2、conda环境的创建

在电脑下方搜索框里输入cmd，找到Anaconda Prompt

输入以下命令，创建一个叫yolov8的环境

conda create -n yolov8 python=3.8

3、配置国内源（使下载更快）

网址：https://mirrors.tuna.tsinghua.edu.cn/help/pypi/

先激活环境

conda activate yolov8

在这里插入图片描述

4、选择CPU还是GPU

①判断是否有NVIDIA显卡

在安装PyTorch之前，我们需要判断您的计算机**是否安装了NVIDIA显卡，**因为PyTorch的GPU版本需要NVIDIA显卡来加速计算。您可以通过以下步骤来判断：

打开设备管理器：在Windows上，按下Win键和X键，然后选择“设备管理器”。在macOS上，打开“系统偏好设置”，选择“硬件”选项卡，然后点击“设备管理器”。

如果有NVIDIA显卡，那么您的计算机适合安装PyTorch的GPU版本。

如果没有NVIDIA显卡，您可以只安装PyTorch的CPU版本

②安装相应的版本

1）安装CPU版本

打开终端：打开 Anaconda Prompt 并激活刚刚创建的虚拟环境

conda activate yolov8

pip install torch torchvision torchaudio

2）安装GPU 版本

查看CUDA显卡驱动版本

在这里插入图片描述

或者可以在终端里输入：nvidia-smi

5、安装CUDA与CUDNN（可选）

关于是否需要安装CUDA与CUDNN

如果只需要训练、简单推理，则无需安装CUDA与CUDNN，可以直接安装pytorch(可以直接跳过这一步)；如果有部署要求，例如导出TensorRT模型，则需要进行安装

①安装CUDA

CUDA官网：https://developer.nvidia.com/cuda-toolkit-archive

查看是否安装成功，在命令行输入以下指令进行检查，出现以下类似的输出就证明安装成功。

Win+R 输入cmd

nvcc  -V

②安装CuDNN（加速器）

官网地址：https://developer.nvidia.com/cudnn

下载完后要解压会得到cudnn-windows-x86_64-9.8.0.87_cuda11-archive文件夹，将这个文件夹复制到CUDA的安装路径下即可

6、安装pytorch

官网网址：https://pytorch.org/

在这里插入图片描述

验证pytorch是否安装完成：

1）你可以像我图片一样输入

python
import torch
print(torch.__version__)
print(torch.cuda.is_available())
#分别输入

在这里插入图片描述

2）也可以在PyCharm里输入以下代码验证

import torch



print(torch.__version__)
print(torch.version.cuda)
print(torch.cuda.is_available())

先创建一个项目，在项目里创建一个python文件，复制代码，点击运行即可

二、下载Yolov8

1、下载模型

先打开Github:https://github.com/ （需要加速器）

在Github里搜索：ultralytics/ultralytics

2、将项目导入PyCharm

打开你的PyCharm，并创建一个新的项目

右上角新建项目

在这里插入图片描述

导入刚才下载的模型

在这里插入图片描述

找到刚刚解压好的文件导入
在这里插入图片描述

修改环境

在这里插入图片描述

如果不行，请在重复一次，看看有没有应用

将你下载的包加载到环境中：

在下面控制台里有一个终端，在终端里输入

pip install -e .

下载完后可以查看一下

pip list

在这里插入图片描述

往下可以看到这个，说明没有问题

在这里插入图片描述

3、初体验模型

①、体验前先到官网下载一个已经训练好的模型

Ultralytics YOLO：https://docs.ultralytics.com/zh

在这里插入图片描述

将下载完的文件复制到ultralytics-8.0.59包里就行了

在这里插入图片描述

②、图片体验

最终的效果：

在这里插入图片描述

①、在我们的终端上输入（这里用的图片是项目自带的，在ultralytics/assets目录下）

#完整代码
yolo mode = 'predict' task='detect' model='yolov8n.pt' source='./ultralytics/assets/bus.jpg' 
#mode:模式---predict:推理预测
#task:任务---detect:检测
#model:模型

#简化的代码
yolo predict model='yolov8n.pt' source='./ultralytics/assets/bus.jpg' 
#task默认的是detect
#当然source也可以有其他
#source='video.mp4'
#source='screen'检测屏幕
#source=0 检测摄像头

②、或者我们也可以用python代码来检测

创建一个python文件

在这里插入图片描述

输入代码

from ultralytics import YOLO
yolo = YOLO("./yolov8n.pt", task="detect")
result = yolo(source="./ultralytics/assets/bus.jpg", save=True)
#如果你不想要将检测完的结果保存可以将save=True删除，不删除的话图片会保存在runs目录下

补充：

如果你的终端是这样的，说明你还没有激活环境，输入conda activate yolov8即可

在这里插入图片描述

可用一下代码来查看自己的环境

conda env list

在这里插入图片描述

说明现在是用的yolo模型

三、如何导出训练好的模型

如果你自己训练了一个模型想要将模型导出，放进自己的项目里，可以参考一下我下面的方法

1、将训练的YOLOv8模型转换成ONNX文件

①在终端输入这串代码安装onnx

pip install --upgrade onnx

在这里插入图片描述

②在PyCharm里创建一个python文件

import argparse
import cv2
import numpy as np
import onnxruntime as ort
import torch
from ultralytics import YOLO


from ultralytics import YOLO
model = YOLO('yolov8n.pt')
model.export(format='onnx')

然后直接右击点击运行

在这里插入图片描述

同时在PyCharm里左侧也会有一个onnx文件

在这里插入图片描述

2、将转化好的onnx文件转化成ncnn文件

①现在网上许多的教程都是使用一键转换的网站

一键转换网址：https://convertmodel-1256200149.cos-website.ap-nanjing.myqcloud.com/

但是在我导出时这个网站是失效的，我是导不出来，所以我选择了接下来很麻烦的一种方法

②使用VS来转换（这个方法亲测有效就是太麻烦了，不嫌麻烦的可以跟做）

1）首先先安装Visual Studio: https://visualstudio.microsoft.com/zh-hans/vs/older-downloads/

下载免费的社区版即可，这里我下的是2022版的

记得选择C++桌面开发

2）下载CMake ：https://cmake.org/download/ （根据自己的需求选择）

在这里插入图片描述

下载解压好会得到这些文件夹

在这里插入图片描述

添加系统环境：点击bin文件，复制路径

在这里插入图片描述

退回桌面右击此电脑，点击属性，点击高级系统设置，点击环境变量，找到系统环境里的Path,在path将刚刚复制的路径粘贴，然后一直点确定即可，最后点击Win+R,输入cmd,在里面输入cmake

在这里插入图片描述

3)下载Protobuf :https://github.com/google/protobuf/archive/v3.11.2.zip (在浏览器里直接搜就行了)

4）下载ncnn:https://gitcode.com/gh_mirrors/nc/ncnn/tags/20201218?utm_source=csdn_github_accelerator&isLogin=1

这里建议新建一个文件夹，方便后面操作

5)配置环境：

在这里插入图片描述

在这个窗口里输入这些代码（依次输入）

Ⅰ、编译Protobuf

这个是Protobuf 3.11.2的根目录，自行更换路径（例如我的就是D:\protobuf\protobuf-3.11.2）

cd <protobuf-root-dir>

mkdir build-vs2022

cd build-vs2022

cmake -G "NMake Makefiles" -DCMAKE_BUILD_TYPE=Release -DCMAKE_INSTALL_PREFIX=%cd%/install -Dprotobuf_BUILD_TESTS=OFF -Dprotobuf_MSVC_STATIC_RUNTIME=OFF ../cmake

在这里插入图片描述

如果你在cmake这一步显示的不是图片上的，那么请你输入where nmake指令，检查 nmake 是否在 PATH 中

如果返回空，说明 nmake 不在 PATH 中，可能是 Visual Studio 的 C++ 工具链未正确安装

解决方法：请你找到VS的文件夹

在这里插入图片描述

如果没有问题就接着输入

nmake
nmake install

执行完nmake命令出现下面的界面则表示编译成功

在这里插入图片描述

执行nmake install进行下载

在这里插入图片描述

到此 Protobuf 就算编译完成了

Ⅱ、接下来编译 ncnn

这个ncnn的根目录，自行更换路径（例如我的就是D:\ncnn\ncnn-20201218）

注意：cmake里有三个需要替换

 cd <ncnn-root-dir>
 mkdir build-vs2022
 cd build-vs2022
 
cmake -G "NMake Makefiles" ^
      -DCMAKE_BUILD_TYPE=Release ^
      -DCMAKE_INSTALL_PREFIX=%cd%/install ^
      -DProtobuf_INCLUDE_DIR=D:\protobuf\protobuf-3.11.2\build-vs2022\install\include ^
      -DProtobuf_LIBRARIES=D:\protobuf\protobuf-3.11.2\build-vs2022\install\lib\libprotobuf.lib ^
      -DProtobuf_PROTOC_EXECUTABLE=D:\protobuf\protobuf-3.11.2\build-vs2022\install\bin\protoc.exe ^
      -DNCNN_VULKAN=OFF ^
      ..

这一步的Cmake指令自己要改的地方挺多的，如果失败了就仔细检查一下，看看版本号是不是与自己的一样，根目录有没有写错

在这里插入图片描述

接下来接着输入

nmake
nmake install

执行完nmake命令出现下面的界面

在这里插入图片描述

执行nmake install

在这里插入图片描述

结束后我们找到ncnn新建的那个build-vs2022文件夹->tools->onnx目录下，这样就可以看到生成了一个onnx2ncnn的exe文件
在这里插入图片描述

Ⅲ、下面就可以通过命令将onnx转成ncnn文件了

1）首先我们先进入D:\ncnn\ncnn-20201218\build-vs2022\tools\onnx目录下（终端）

cd.tools
cd.onnx

2)输入代码onnx2ncnn best.onnx best.param best.bin，将上述的best全换成你模型的名字，例如：

onnx2ncnn yolov8n.onnx  yolov8n.param  yolov8nt.bin

3）找到之前我们转换好的.onnx文件，复制到D:\ncnn\ncnn-20201218\build-vs2022\tools\onnx下

在这里插入图片描述

再一次打开onnx文件就能找到.bin和.param文件

在这里插入图片描述

接下来就可以通过这两个文件来部署了

本文章已经生成可运行项目