anaconda3安装yolov8(windows版)

anaconda3安装yolov8(windows版)

1.安装anaconda3

可以去anaconda的官网下载最新版本的anaconda,下载地址如下。

创建名字为pytorch_evn的新环境：

#创建名字叫pytorch_env的新环境，使用python3.11.0解释器。
conda create -n pytorch_env python=3.11.0

查看版本正确配置Anaconda使用清华大学提供的镜像源。

#查看版本
conda -V

#查看环境
conda env list

#配置清华源
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free
conda config --set show_channel_urls yes


#如果你想要确认配置是否成功，可以运行以下命令查看.condarc文件内容：
(pytorch_env) PS C:\Users\xxx> cat ~/.condarc
channels:
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main
  - defaults
show_channel_urls: true

2.安装pytorch

yolov8官网有以下提示：

在一个 Python>=3.7 环境中，使用 PyTorch>=1.7，通过 pip 安装 ultralytics 软件包以及所有依赖项。说明yolov8是依赖于python和pytorch的。

pip install ultralytics

推荐安装GPU版本的pytorch,关于nivida和cuda驱动的安装大家可以参考这篇文章。

pytorch环境安装(windows)

使用如下conda命令安装pytorch.

conda install pytorch torchvision torchaudio pytorch-cuda=12.1 -c pytorch -c nvidia

3.安装yolov8

YOLO（You Only Look Once）是Ultralytic公司出品的一款目标检测算法， Ultralytic公司的 YOLOv8 是基于深度学习和计算机视觉领域的尖端技术，在速度和准确性方面具有无与伦比的性能。其流线型设计使其适用于各种应用，并可轻松适应从边缘设备到云 API 等不同硬件平台。

YOLO 算法的核心思想是将图像划分为多个网格，每个网格负责检测图像中的一个区域。对于每个网格，YOLO 算法会预测该区域内是否存在目标以及目标的类别和位置信息。通过这种方式，YOLO 算法可以在一次前向传播中同时预测图像中多个目标的位置和类别，从而实现快速、实时的目标检测。

与其他目标检测算法相比，YOLO 算法具有以下一些特点和优势：

速度快：YOLO 算法通过将检测任务集成到一个单一的神经网络中，实现了端到端的检测，避免了复杂的多阶段处理，因此具有较高的检测速度。
简单直观：YOLO 算法的结构相对简单，易于理解和实现，同时也便于进行优化和改进。
泛化能力强：YOLO 算法对不同类型和大小的目标具有较好的泛化能力，能够在各种场景下进行有效的目标检测。

然而，YOLO 算法也存在一些局限性，例如在小目标检测和物体重叠情况下的检测精度可能相对较低。为了改进这些问题，后续出现了 YOLO 的多个变体，如 YOLOv2、YOLOv3、YOLOv4 等，它们在不同方面对原始算法进行了改进和优化。

总的来说，YOLO 算法是一种高效、实用的目标检测算法，在计算机视觉和图像处理领域得到了广泛的应用。如果你对 YOLO 算法的具体实现和应用感兴趣，可以进一步研究相关的文献和代码示例，深入了解其工作原理和使用方法。

使用pip安装yolov8

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

编写以下程序测试yolov8环境。

import ultralytics
ultralytics.checks()

输出结果如下：

Ultralytics YOLOv8.1.29  Python-3.11.0 torch-2.2.1 CUDA:0 (Quadro P1000, 4096MiB)
Setup complete (4 CPUs, 63.7 GB RAM, 194.1/455.8 GB disk)

使用yolo-cli测试模型。

yolo predict model = yolov8n.pt source = 'https://img.simoniu.com/yolov8测试图片001.png'

使用编码方式预测模型

from ultralytics import YOLO
import os

# 或者使用代码
Model = YOLO("yolov8n.pt") 
# Model.predict(source="https://img.simoniu.com/yolov8%E6%B5%8B%E8%AF%95%E5%9B%BE%E7%89%87001.png", save_txt=True, save_conf=True)

Model.predict(source="https://img.simoniu.com/yolov8测试图片001.png", save=True)

测试原图：

yolov8目标检查输出结果：

yolov8调用摄像头目标检测例子。

from ultralytics import YOLO

if __name__ == '__main__':
    model = YOLO('./model/yolov8n.pt')
    model.predict(source='0',show=True)

使用cpu方式预测。

代码方式：

import torch
from ultralytics import YOLO
model = YOLO('yolov8n.pt')
device = torch.device("cpu")
model.to(device)
model.predict('https://img.simoniu.com/yolov8测试图片001.png',save=True)

命令方式：

yolo predict model = yolov8n.pt source = 'https://img.simoniu.com/yolov8测试图片001.png' device=cpu

4.pycharm调用anaconda命令

查看anaconda prompt的文件所在位置。

查看该命令目标路径。

配置pycharm的tools的终端选项。

打开终端测试效果。