DL 基于Ubuntu20.04—Yolov8环境搭建及运行

yolov8

yolov8模型库下载地址：

https://github.com/ultralytics/assets/releases/tag/v0.0.0

yolov8 模型的每个类别中有五个模型用于检测、分割和分类。yolov8 Nano 是最快和最小的，而 yolov8 Extra Large (YOLOv8x) 是其中最准确但最慢的。
Yolov8l.ptYolov8m.ptYolov8n.ptYolov8s.ptYolov8x.ptYolov8l-cls.ptYolov8m-cls.ptYolov8n-cls.ptYolov8s-cls.ptYolov8x-cls.ptYolov8l-oiv7.ptYolov8m-oiv7.ptYolov8n-oiv7.ptYolov8s-oiv7.ptYolov8x-oiv7.ptYolov8l-pose.ptYolov8m-pose.ptYolov8n-pose.ptYolov8s-pose.ptYolov8x-pose.ptYolov8l-seg.ptYolov8m-seg.ptYolov8n-seg.ptYolov8s-seg.ptYolov8x-seg.ptYolov8l-v8loader.ptYolov8m-v8loader.ptYolov8n-v8loader.ptYolov8s-v8loader.ptYolov8x-v8loader.pt
环境配置参考：

https://zhuanlan.zhihu.com/p/603689454

1.创建虚拟环境

激活anaconda环境

conda activate

创建一个名为yolov8虚拟环境，用来安装配置运行环境

conda create -n yolov8

激活环境

activate yolov8

安装python依赖

conda installpython=3.8
conda install numpy mkl cffi

安装配套的torch torchvision
GPU:

conda installpytorch==1.11.0 torchvision==0.12.0 torchaudio==0.11.0 cudatoolkit=11.3-c pytorch -c conda

CPU:

conda installpytorch=1.11.0 torchvision=0.12.0 torchaudio=0.11.0 cpuonly -c pytorch

目前 YOLOv8 核心代码都封装在 ultralytics 这个依赖包里面，可以通过 pip（推荐）或 git clone 来安装

pip install ultralytics

如果这里安装不成功，请再次执行ultralytics安装指令，多运行几次。

2.查看ultralytics环境

输入python 3调起python环境
分别输入如下命令

import ultralytics
ultralytics.checks()

此时显示如下内容，说明安装成功。

数据集

如果想下载数据集训练，可参考：

https://zhuanlan.zhihu.com/p/603689454

COCO数据集地址：

https://cocodataset.org/#download

3.配置yolov8路径

参考：

https://blog.csdn.net/weixin_40950590/article/details/133026564?spm=1001.2014.3001.5502

此处是直接修改ultralytics环境配置文件：默认路径：
/home/stk/.config/Ultralytics/settings.yaml

注意上图yolov8及其内部文件夹是提前手动创建好的。配置好后再次输入

yolo settings

4.跑官网数据集

输入指令：

yolo detect train data=coco128.yaml model=yolov8n.yaml epochs=100imgsz=640device=0

5.跑自己的数据集

在yolov8/train/datasets中创建mydata文件夹来存放自己的数据集，并在yolov8/train/datasets创建mydata.yaml文件
在mydata中创建train和val两个文具文件夹，并在train和val中再分别创建images和labels两个文件夹，并将停车位图片及其标记文件分别放入train和val的images 、labels中。

修改默认路径下：anaconda3/envs/yolov8/lib/python3.8/site-packages/ultralytics/cfg/models/v8/yolov8.yaml中的nc(number of classes)改为自己的类别数。
设置好mydata.yaml：

终端输入指令，训练自己的数据集：

yolo detect train data=/home/stk/yolov8/train/datasets/mydata.yaml model=yolov8n.yaml epochs=100imgsz=640device=0

训练完成后会输出训练好的模型
一般用best.pt进行测试。

6.利用训练好的模型进行测试

yolo detect predict model=/home/stk/yolov8/train/runs/detect/train4/weights/best.pt source=/home/stk/下载/Parking-slot-dataset-master/Open/parking_key_point0828_L/000532.jpg

还可以通过网址下载测试图片：source=‘https://ultralytics.com/images/bus.jpg’
预测结果：

7.追加训练

在原来训练的best.bt上追加训练次数,，这里追加100次

yolo detect train data=/home/stk/yolov8/train/datasets/mydata.yaml  model=/home/stk/yolov8/train/runs/detect/train4/weights/best.pt epochs=100imgsz=640device=0

yolov8卷积神经单元代码在conv.py