Yolov8从入门到上瘾(windows11+anaconda+CUDA+cuDNN+红绿灯数据集训练功能实现)
历时3天，在7位大神调教之下，从零开始完成了YOLOV8的搭建和自定义数据集的训练，特此记录如下，希望后来者少走弯路，弯道超车。
一. YOLOv8 从0开始环境搭建
参考1号大神：YOLOv8 从环境搭建到推理训练_河伯187的博客-CSDN博客
（一）ultralytics下载请参考1号大神方法
略，基础知识，不浪费篇幅
（二）Anaconda下载
不做伸手党，自行下载
（三）创建新环境yolov8
创建环境不用赘述了吧
（四）激活新环境YOLOV8
conda activate yolov8（五）安装依赖（各种第三方库）
运行requirements.txt文件即可完成对所有库的安装
Note1:出现WARNING: Ignore distutils configs in setup.cfg due to encoding errors.
原因是 未设置全为UTF-8，参考如下2号大神链接
WARNING: Ignore distutils configs in setup.cfg due to encoding errors._hllyzms的博客-CSDN博客 
（六）安装ultralytics
pip install ultralytics（七）手动下载权重
https://github.com/ultralytics/assets/releases/download/v0.0.0/yolov8n.pt
拷到yolov8\ultralytics-main\ultralytics\yolo\v8\detect\yolov8n.pt
（八）测试运行
操作：首先进入到yolov8\ultralytics-main\ultralytics\yolo\v8\detect\predict.py，运行predict.py
python predict.py
（九）查看结果：
（十）操作命令，参见大神3号链接：
YOLOv8初体验：检测、跟踪、模型部署_DeepDriving的博客-CSDN博客
用命令行
yolo task=detect mode=predict model=yolov8n.pt source=ultralytics/assets/bus.jpg imgsz=640 show=True save存储位置是绝对路径的: runs\detect\predict
视频检测
yolo task=detect mode=predict model=yolov8n.pt source=ultralytics/assets/test.mp4 imgsz=640 show=True save=TrueUltralytics YOLOv8.0.83 Python-3.8.16 torch-2.0.0+cpu CPU
YOLOv8n summary (fused): 168 layers, 3151904 parameters, 0 gradients, 8.7 GFLOPs
实例分割
yolo task=segment mode=predict model=yolov8x-seg.pt source=ultralytics/assets/test.mp4 imgsz=640 show=True save=True
调用摄像头
https://www.zhihu.com/question/445546731/answer/2989690866
yolo task=detect mode=predict model=yolov8n.pt source=0 imgsz=640 show=True save=True
停止用ctrl+c
二.引入GPU
大神4号参考链接：
YOLOv8项目推理从CPU到GPU_拉磨的驴肉火烧@Tieling Yu的博客-CSDN博客
YOLOv8项目推理从CPU到GPU
（一）.查看torch和torchvision版本
pip list
torch 2.0.0
torchvision 0.15.1
（二）.查看显卡支持的CUDA版本：nvidia-smi
可见，最高支持CUDA Version: 11.7 ，但后来发现11.7总是自动重启,
最终选择下载CUDA version 11.6
CUDA下载链接
CUDA Toolkit Archive | NVIDIA 开发者
（三）.根据自己的操作系统、构架、版本、安装方式选择。
（四）卸载掉所有NIVIDIA软件，然后再安装。但是一定要记住自己的安装目录，下面要用到。有请大神5号
CUDA安装和检测【全】（nvcc命令找不到的解决办法）_可靠的豆包蟹同志的博客-CSDN博客
注意安装要增加路径
（五）安装cuDNN
cuDNN Archive | NVIDIA 开发者
微信登陆，注意注册
解压出来，复制其中bin、include和lib，粘贴到CUDA的安装目录中。
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.6
（六）安装pytorch
https://pytorch.org/get-started/previous-versions/
选择带有+cu的命令，我依据之前安装的版本，采用如下命令在anaconda的yolov8虚拟环境中进行了如下安装
pip install torch==1.13.0+cu116 torchvision==0.14.0+cu116 torchaudio==0.13.0 --extra-index-url https://download.pytorch.org/whl/cu116
（七）安装成功 quadro P500 2G显存
用实例分割来做还是比较慢
三. 训练自己的数据集
（零）用LabelImg标注，有请大神6号：
https://blog.csdn.net/FriendshipTang/article/details/126513426
以下训练自己的红绿灯，倒计时数据集方法，源自大神7号链接，细节请移步大神7号豪宅：
YOLOv8教程系列：一、使用自定义数据集训练YOLOv8模型（详细版教程，你只看一篇-＞调参攻略），包含环境搭建/数据准备/模型训练/预测/验证/导出等_Zhijun.li@Studio的博客-CSDN博客
（一）在yolov8/data目录下新建Annotations, images, ImageSets, labels 四个文件夹
images目录下存放数据集的图片文件
Annotations目录下存放图片的xml文件（labelImg标注）
（二）按比例划分数据集
在yolov8根目录下新建一个文件splitDataset.py，运行
（三） 将xml文件转换成YOLO系列标准读取的txt文件
在同级目录下再新建一个文件XML2TXT.py, 注意classes = [“…”]一定需要填写自己数据集的类别，运行
（四） 查看自定义数据集标签类别及数量 （类型数量不多，此步跳过）
（五）修改数据加载配置文件
进入data/文件夹，新建RBG.yaml，内容如下，注意txt需要使用绝对路径
（六）开始训练
yolo task=detect mode=train model=yolov8n.pt data=data/RGB.yaml batch=4 epochs=100 imgsz=640 workers=4 device=0
注意这里根据显卡的实际情况要调整batch和workers值，作为上古GPU，只能都设置为4
Results saved to runs\detect\train3
7.模型验证
使用如下命令，即可完成对验证数据的评估
yolo task=detect mode=val model=runs/detect/train3/weights/best.pt data=data/RGB.yaml device=0
Results saved to runs\detect\val
8.模型预测
使用如下命令，即可完成对新数据的预测，source需要指定为自己的图像路径，或者摄像头（0）
yolo task=detect mode=predict model=runs/detect/train3/weights/best.pt source=data/images device=0
Results saved to runs\detect\predict6
