YOLOv8环境搭建
首先去自己的anaconda的安装的envs（虚拟环境），在导航栏输入cmd，进入命令窗口。
确保python>=3.7;CUDA>=10.1,PYtorch>=1.7
小编后面的：python=3.8.8;CUDA=11.6,PYtorch=1.12.1
1、创建一个虚拟环境
conda create -n torch1.12.1 python=3.8.8
激活刚建的虚拟环境
activate torch1.12.1
到官方网站下载yolo模型 ，下载好后解压，里面有个文件requirements.txt
mirrors / ultralytics / ultralytics · GitCode
安装一个整体包：
pip install -r .\requirements.txt
直接按照路径会有问题，找到自己 requirements.txt 文件路径，我这里是pip install -r D:\ultralytics-main\ultralytics-main\requirements.txt
然后安装ultralytics ，这是必须的。可以用镜像地址。
pip install ultralytics -i http://mirrors.aliyun.com/pypi/simple/ --trusted-host mirrors.aliyun.com
安装下载好包，接下来就是验证：
yolo predict model=yolov8n.pt source='ultralytics/assets/bus.jpg' show=True save=True
YOLOV8实例分割（环境配置+搭建模型+数据集制作+训练+预测全套）
目录
一、安装Anaconda3
1、下载
2、安装
3、验证
二、搭建windows上yolov8环境
1、cuda+pytorch+python版本选择
①查看自己电脑的cuda型号
②显卡驱动版本对应选择
2、创建虚拟环境
3、激活环境
编辑
4、安装pytorch框架
①安装框架pytorch 1.9.0
②换镜像源
③pip install 和conda install的区别
三、安装yolov8
1、下载代码
2、命令行安装相关文件
① 切换路径到自己下载好的路径
② 安装依赖包
3、安装yolov8，它这里其实叫ultralytics
4、 测试
四、制作自己的数据集
1、https://roboflow.com
2、labelme
①安装：在创建的虚拟环境中安装
②画标签
③把labelme格式转化成yolov8支持的数据集格式
五、用yolov8模型训练数据
六、模型预测结果
七、总结简明的步骤
一、安装Anaconda3
1、下载
到官网：
Index of /anaconda/archive/ | 清华大学开源软件镜像站 | Tsinghua Open Source Mirror
2、安装
双击exe——Next——I Argee——just me ——选择路径（建议自定义，不要安装到c盘，且安装路径不要出现中文）——两个勾都勾上，不然配置环境很麻烦——Install——接下来页面两个勾不选——fnish完成安装。
3、验证
开始去找到这个
点开能进入命令框，输入python，可以看到python版本。print（“hi”）
二、搭建windows上yolov8环境
1、cuda+pytorch+python版本选择
①查看自己电脑的cuda型号
首先搜索栏找到设备管理器——显示适配器——NVIDIA（有这个才可以，说明电脑有GPU独显，否则就是只有集成显卡Intel，如图所以，很多比如联想台式电脑就没有独显，那么跑深度学习就得有服务器）
在电脑上按键win+r——输入cmd——输入nvidia-smi
②显卡驱动版本对应选择
（1）理论上显卡越新越好，但是有的新的会不稳定，显示花屏等异常出现，所以不能一味追求新。而且太新了可能还没来得及出来对应的pytorch版本，就没法匹配。
（2）安装的驱动版本<=电脑上显示的（支持最高cuda版本号），如本台电脑是12.0，那么安装的必须<=12.0,不能大于它。
（3）如果显卡<=PTX2080,推荐安装cuda10.2+cudnn7.6.5，或者其他版本；
如果显卡>=PTX3050,则必须安装cuda>=11.0。
NVIDIA CUDA 官方文档
| torch | torchvision | Python |
| main/nightly | main/nightly | >=3.8,<=3.11 |
| 2.0 | 0.15 | >=3.8,<=3.11 |
| 1.13 | 0.14 | >=3.7.2,<=3.10 |
| 1.12 | 0.13 | >=3.7,<=3.10 |
| 1.11 | 0.12 | >=3.7,<=3.10 |
| 1.10 | 0.11 | >=3.6,<=3.9 |
| 1.9 | 0.10 | >=3.6,<=3.9 |
| 1.8 | 0.9 | >=3.6,<=3.9 |
| 1.7 | 0.8 | >=3.6,<=3.9 |
| 1.6 | 0.7 | >=3.6,<=3.8 |
| 1.5 | 0.6 | >=3.5,<=3.8 |
| 1.4 | 0.5 | >=3.8,<=3.11 |
| 1.3 | 0.4.2/0.4.3 | ==2.7,>=3.5,<=3.8 |
| 1.2 | 0.4.1 | ==2.7,>=3.5,<=3.7 |
| 1.1 | 0.3 | ==2.7,>=3.5,<=3.7 |
| <=1.0 | 0.2 | ==2.7,>=3.5,<=3.7 |
2、创建虚拟环境
conda create -n 自己起名字 python==
如：conda create -n yolov8 python==3.8.0
这里就可以写上python版本，不然默认使用anaconda自带的python版本。
创建完了可以输入命令查看，没创建前anaconda本身只有一个base。
3、激活环境
接下来进入自己虚拟环境，前面base变成了自己的环境名称，就可以接下来在这个环境里为所欲为了，安装卸载，即使弄错了，去anaconda安装路径找envs文件夹，里面有你的虚拟环境可以整个复制或者删除。
4、安装pytorch框架
①安装框架pytorch 1.9.0
(1475条消息) [pytorch]pytorch官方安装法_torch==1.13.1+cu117_FL1623863129的博客-CSDN博客
pip install torch==1.9.0+cu111 torchvision==0.10.0+cu111 torchaudio==0.9.0 -f https://download.pytorch.org/whl/torch_stable.html
慢慢等待下载，我这里用了清华源。接下来补充两个知识点：
②换镜像源
③pip install 和conda install的区别
conda ≈ pip（python包管理）+虚拟环境+非python依赖包管理
用conda下来接下来的包，这样的话下载一次，如果你其虚拟环境也要，他优先从上一目录找，如果有直接安装，就是说一次下载多次安装使用。
pip只能下载python包，而且下载安装到仅仅是当前环境，下次环境要用就得再下载。
下载包的时候优先推荐conda，不行再用pip。
删除用pip uninstall 包名 或者 conda uninstall 包名，效果一样，只删除当前环境下的包。
下载好只后可以输入命令pip list 查看：
三、安装yolov8
1、下载代码
github官网
GitHub - ultralytics/ultralytics: NEW - YOLOv8 in PyTorch > ONNX > OpenVINO > CoreML > TFLite
下面也有模型点击直接下载
新建一个weights文件夹，把下载的模型放进去。
2、命令行安装相关文件
① 切换路径到自己下载好的路径
cd /d 自己路径复制过来
② 安装依赖包
pip install -r requirements.txt
如果安装不成功，可能和网络有关，重新执行，多安装几次就行。
也可以如下从镜像源下载安装。 直接输入 -i 源名，因为前面我设置了默认清华源，所以我直接安装。
3、安装yolov8，它这里其实叫ultralytics
pip install ultralytics
4、 测试
假如我们用yolov8s.pt来测试 ：
yolo task=segment mode=predict model=wighte/yolov8s.pt source=ultralytics/assets/bus.jpg save=true
结果保存到了对应的文件夹下的runs\detect\predict
测试视频/摄像头/文件夹：（source=自己的绝对路径就行，照片也可以用绝对路径，我前面是相对路径）
#测试图片
yolo task=segment mode=predict model=wighte/yolov8s.pt source=ultralytics/assets/bus.jpg save=true
#测试视频
yolo task=segment mode=predict model=wighte/yolov8s.pt source=D:\car.mp4 show=true
#测试摄像头
yolo task=segment mode=predict model=wighte/yolov8s.pt source=0
#测试文件夹
yolo task=segment mode=predict model=wighte/yolov8s.pt source=D:\myimgs四、制作自己的数据集
1、https://roboflow.com
Roboflow: Give your software the power to see objects in images and video
https://roboflow.com/一个外网页，可以制作，很好用，但是因为是外网会卡。
Roboflow制作yolov8数据集_彩色面团儿的博客-CSDN博客
这个网页可以直接就制作成yolov8需要的数据集格式；主要是有个功能不需要自己手动描边缘，有个类似于区域生长的按钮，自动描，可以试一下
2、labelme
①安装：在创建的虚拟环境中安装
conda activate yolov8
pip install labelme
polygons多边形做实例分割，保存的数据标签为json格式。
目标检测就是画一些框就行，不需要考虑边缘；而实例分割要边缘都描出来的。
②画标签
(1476条消息) labelme制作自己数据集以及图片格式问题_labelme数据集格式_彩色面团儿的博客-CSDN博客
③把labelme格式转化成yolov8支持的数据集格式
（1）利用一个py脚本文件。 （json3txt.py）修改最后一行路径，在命令行如下图运行就行，或者用pycharm打开运行。
（2）需要自己在labelme先画好标签（做好数据集）
labelme-dogcat-test.zip - 蓝奏云 (lanzouw.com)
上面是一个标签文件，猫和狗的。框的，没有边缘，也能粗略做分割。
五、用yolov8模型训练数据
yolo task=segment mode=train model=mydata\yolov8s-seg.yaml data=mydata\coco128-seg.yaml epochs=100 batch=4（显卡内存大就设置大点好） save=true workers=4 device=0（第几个显卡） pretrained=true
上面其他三个images和labels和labels.txt是数据格式转化的时候生成的。
框起来的两个yaml是用yolov8s模型做的。如果要用其他版本可以对应找出来改。
其他的一些代码
这些里面没有权值，所以也不能用。就只能在命令行输入那种运行了。
yolo task=segment mode=train model=mydata\yolov8s-seg.yaml data=mydata\coco128-seg.yaml epochs=100 batch=4 save=true workers=1 device=0 pretrained=true
六、模型预测结果
yolo task=segment mode=predict model=runs\segment\train\weights\best.pt source=D:\torch1\yolov8-ultralytics-main\mydata\ceshi\1.jpg save=true
七、总结简明的步骤
1、到Anaconda Prompt 输入查看虚拟环境
conda env list
2、创建新的虚拟环境
conda create -n yolov8 python==3.8.0
3、激活虚拟环境
activate yolov8
4、安装pytorch框架
pip install torch==1.9.0+cu111 torchvision==0.10.0+cu111 torchaudio==0.9.0 -f https://download.pytorch.org/whl/torch_stable.html
5、下载yolo模型
①去github官网新建标签页 (github.com)https://github.com/
②自己分享一个百度网盘，里面有模型代码+权重文件
链接：https://pan.baidu.com/s/1nK_L0Oi4PomadSXXyJttMA
提取码：dgri
6、安装相关依赖包
切换cmd路径到自己刚刚下载的yolo模型的文件夹路径
cd /d 自己路径复制过来
cd /d D:\yolov8-ultralytics-main
安装requirements.txt文件里依赖包
pip install -r requirements.txt
7、安装yolov8，它这里其实叫ultralytics
pip install ultralytics
8、测验成功与否
假如我们用yolov8s.pt来测试 ：
yolo task=segment mode=predict model=wighte/yolov8s.pt source=ultralytics/assets/bus.jpg save=true
结果保存到了对应的文件夹下的runs\detect\predict。里面会有个测试好的图。