【深度学习之YOLO8】环境部署

Ultralytics YOLOv8 是一款前沿、最先进（SOTA）的模型，基于先前 YOLO 版本的成功，引入了新功能和改进，进一步提升性能和灵活性。YOLOv8 设计快速、准确且易于使用，使其成为各种物体检测与跟踪、实例分割、图像分类和姿态估计任务的绝佳选择。

• Python SDK Download
• Ultralytics YOLOv8 GitHub
• PyTorch GitHub
• NVIDIA CUDA toolkit Download
• NVIDIA cuDNN Download
• Anaconda Download

配置Python环境变量

创建conda环境

配置CUDA环境变量

配置cuDNN文件

下载安装PythonSDK

拉取yolo8 GitHub项目到本地

Anaconda安装

下载安装CUDA toolkit

下载PyTorch

下载cuDNN

环境测试

除了拉取代码不需要验证，其他都需要自己check下到底是不是真安装成功了

一、确定版本

CUDA toolkit、cuDNN版本

1. 查看显卡的CUDA支持的最高版本，我的是12.2.79，后面安装的CUDA toolkit和cuDNN大版本不能超过它
   
2. 进PyTorch官网，查看支持的CUDA最高版本，即：我的电脑torch是最高支持11.8的CUDA
   

由以上两点，得出安装的CUDA、cuDNN不能超11.8，那我后面这俩安装<=11.8

Python、PyTorch版本

torch、python各版本兼容情况表

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	==2.7, >=3.5, <=3.8
1.3	0.4.2 / 0.4.3	==2.7, >=3.5, <=3.7
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

上面有CUDA、cuDNN版本<=11.8

再在进PyTorch官网，预览一下DUDA<=11.8的有哪些

考虑到后面可能会用到其他组件，相互兼容的不是特别及时，所以我选了11.6的CUDA，看到PyTorch有1.13.0支持CUDA11.6的，那么在上面 torch、python各版本兼容情况表 里可以得出：我的电脑CUDA、duDNN、PyTorch它们三个，和Python互相兼容的py版本范围是3.7.2 ~ 3.10
所以，py版本不宜过高，基本都是向下兼容，YOLO5的默认SDK版本是3.7，YOLO8的默认SDK版本是3.8

最终版本选择

名	版本号
Python	3.8.0
CUDA toolkit	11.6.0
cuDNN	11.x
PyTorch	1.13.0
TorchAudio	0.13.0
TorchVision	0.14.0

二、安装Python

下载

已经有Python的需要卸载干净，去官网找自己对应版本的安装包(要卸载哪个就找哪个版本的exe安装包)，比如找3.8.0的，下载运行点击Uninstall进行卸载

电脑无Python残留，或没有安装过Python，进官网版本列表下载自己要的版本，一路确认即可，尽量是不要安在有中文的路径下，后面的安装也是

环境变量

将Python安装目录和里面的Scripts文件夹路径放在Path里

C:\Users\Administrator\AppData\Local\Programs\Python\Python38
C:\Users\Administrator\AppData\Local\Programs\Python\Python38\Scripts

验证安装

win+r后键入cmd确认，出现版本号

python -V
或者
python --version

三、安装Anaconda

一个易于安装的包管理器、环境管理器和 Python 发行版，包含 1,500 多个开源包，并提供 免费社区支持。Anaconda与平台无关，因此无论在Windows、macOS还是Linux上都可以使用它，与它类似的有pip。

安装

进Anaconda官网，点下载，无脑下一步即可

环境变量

将以下四个路径添加进Path

验证安装

conda -V

创建conda虚拟环境

后面的操作都是基于这个虚拟环境，最好是用管理员打开终端

CommandNotFoundError: Your shell has not been properly configured to use ‘conda activate
第一次激活环境，可能有这个错误，根据提示使用conda init，重启cmd。或者使用source activate env_name使环境可用。

# 创建虚拟环境
conda create -n yolov8 python=3.8.0
# 激活虚拟环境(切换至这个环境)
conda activate yolov8
# 查看已创建的虚拟环境
conda info -e

常用命令

# 查看版本
conda --version # 或者 conda -V
# 更新conda
conda update conda
# 更新Anaconda
conda update Anaconda
# 查看环境配置
conda config --show
# 查看安装了哪些包
conda list
# 查看Anaconda仓库有没有这个想要的包
conda search package_name
# 新增镜像channel
conda config --add channels mirrors_url
# 移除镜像channel
conda config --add channels mirrors_url
# 查看配了哪些镜像channel
conda config --show channels
# 设置清华镜像
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/bioconda/
# 设置bioconda
conda config --add channels bioconda
conda config --add channels conda-forge
# 设置搜索时显示通道地址
conda config --set show_channel_urls yes
# 创建虚拟环境
conda create -n env_name python=3.8
# 查看虚拟环境
conda env list #或conda info -e 或conda info --envs
# 激活虚拟环境
conda activate env_name
# 退出当前虚拟环境
conda deactivate
# 删除虚拟环境
conda remove -n env_name --all
# 安装包(在当前虚拟环境)
conda install package_name=package_version
# 更新包(在当前虚拟环境)
conda update package_name
# 删除包(在当前虚拟环境)
conda remove --name env_name  package_name
# 卸载包
conda uninstall package_name
# 增量卸载包(如果有虚拟环境在用，会跳过这个小包，就是不全卸载)
conda uninstall package_name --force
# 删除没有在用的包
conda clean -p
# 清理缓存
conda clean -y -all
# 变更Python版本
conda install python=3.5 #升级到最新版conda update python
# 查看配置文件地址 (默认`C:\Users\用户名\.condarc`)
conda info #user config file那行
# conda初始化
conda init

四、安装CUDA toolkit

下载

官网下载，跳转翻阅之前版本，找到CUDA-11.6.0下载

安装，注意下面两步，其他默认 ## 环境变量

默认安装在：C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.6
Path加入下面这5个路径（安装默认配了bin和libnvvp）。

验证安装

cmd窗口输入：nvcc -V

或者
cmd切换CUDA安装目录，进extras/demo_suite目录，执行里面的bandwidthTest.exe，再执行deviceQuery.exe，结果显示PASS即是成功

五、配置cuDNN

通俗点讲，cuDNN就是CUDA toolkit的一个补丁，深度学习需要这个补丁才能使用API驱动GPU的CUDA

下载

进官网，需要登陆NVIDIA账号，并且注册成开发者，完成后进入下载界面

解压，全选复制，黏贴到CUDA安装目录，全部"是"即可

## 验证配置 cuDNN的验证放在后面

六、安装PyTorch(torch+torchversion+torchaudio)

一种开源深度学习框架，以出色的灵活性和易用性著称。

下载

打开cmd，进入之前创建的虚拟环境yolov8，复制torch官网conda语句，安装PyTorch

官网安装PyTorch语句在这，一定要看好自己需要哪个torch版本、cuda版本

conda activate yolov8
# -c pytorch可以去掉，即不指定pytorch官方channel下载，国内快一点
conda install pytorch==1.13.0 torchvision==0.14.0 torchaudio==0.13.0 pytorch-cuda=11.6 -c nvidia
# 或者pip下载 (2选1)
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

如果有CondaHTTPError: HTTP 000 CONNECTION FAILED for url ...的错误， 修改conda配置文件，把下面内容全部替换掉原来的，重启命令行，进环境再install一下
配置文件默认地址C:\Users\{用户名}\.condarc

show_channel_urls: true
channels:
  - http://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/
  - http://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
  - http://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
ssl_verify: false

channels：镜像源
ssl_verify：关闭SSL安全认证
show_channel_urls：从channel安装某个包时，显示channel的url

验证torch安装

官方验证，进cmd，进python环境，输入下面三行，看打印结果

import torch
x = torch.rand(5, 3)
print(x)

# 样例输出
tensor([[0.3380, 0.3845, 0.3217],
        [0.8337, 0.9050, 0.2650],
        [0.2979, 0.7141, 0.9069],
        [0.1449, 0.1132, 0.1375],
        [0.4675, 0.3947, 0.1426]])

七、环境测试

我使用的是IDEA，也可以用PyCharm，下面是用PyCharm演示

部署测试环境

先不新建项目，打开之前拉取下拉的yolo8 GitHub项目，配下上面新建的conda环境yolov8，查看虚拟环境放哪了可以用conda info -e

拉取后打开Pycharm，给这个项目配下上面创建的conda虚拟环境yolov8

左下角终端打开，安装项目依赖

pip install -r requirements.txt

验证cuDNN

打开后新建一个自定义文件夹，new一个py文件，贴上以下代码，运行查看结果

import torch
# 查看pytorch版本
print(f'pytorch版本: {torch.version.__version__}')
# 查看显卡GPU是否可用
print(f'GPU是否可用: {torch.cuda.is_available()}')
# 查看GPU可用数
print(f'GPU可用数: {torch.cuda.device_count()}')
# 查看CUDA版本
print(f'CUDA版本: {torch.version.cuda}')
# 查看CUDA-cuDNN版本
print(f'cuDNN版本: {torch.backends.cudnn.version()}')
quit()

如果你看到GPU可用为True，那cuDNN就是安装成功了，此时环境就是GPU版本的了

验证YOLOv8

这时就可能用到这个官网中文README。使用方式有两种，命令行(CLI) 和 Python代码

CLI

在项目里有个图片ultralytics/assets/bus.jpg，可以使用yolov8n.pt模型对这个图片做一个简单的推理

# 需要先安好这个库
pip install ultralytics
yolo predict model=yolov8n.pt source='可以填文件绝对路径或者网络上的图片url'

推理结果保存在了runs\detect\predict，我在C:\Users\Administrator>执行的这个命令，所以文件在C:\Users\Administrator\runs\detect\predict

Python Code

from ultralytics import YOLO

# 加载模型
# model = YOLO("yolov8n.yaml")  # 从头开始构建新模型
model = YOLO("yolov8n.pt")  # 加载预训练模型（建议用于训练）

# 使用模型
# model.train(data="coco128.yaml", epochs=3)  # 训练模型
metrics = model.val()  # 在验证集上评估模型性能
results = model(source='ultralytics/assets/bus.jpg')  # 对图像进行预测
results.print()  # 打印结果
# success = model.export(format="onnx")  # 将模型导出为 ONNX 格式

第一次运行此代码需要下载coco的标签包，要等待好长时间，结果例子如下，没有报错环境就部署成功了

Speed: 0.2ms preprocess, 3.1ms inference, 0.0ms loss, 0.7ms postprocess per image
Results saved to runs\detect\val7

image 1/1 D:\GitProjects\ultralytics\ultralytics\assets\bus.jpg: 640x480 4 persons, 1 bus, 23.9ms
Speed: 2.0ms preprocess, 23.9ms inference, 2.0ms postprocess per image at shape (1, 3, 640, 480)
Ultralytics YOLOv8.0.138  Python-3.9.13 torch-1.13.0+cu116 CPU (Intel Core(TM) i9-9900K 3.60GHz)

PyTorch: starting from runs\detect\train11\weights\best.pt with input shape (1, 3, 640, 640) BCHW and output shape(s) (1, 84, 8400) (6.2 MB)

ONNX: starting export with onnx 1.14.0 opset 16...
ONNX: export success  0.7s, saved as runs\detect\train11\weights\best.onnx (12.2 MB)

Export complete (2.2s)
Results saved to D:\GitProjects\ultralytics\runs\runs\detect\train11\weights
Predict:         yolo predict task=detect model=runs\detect\train11\weights\best.onnx imgsz=640 
Validate:        yolo val task=detect model=runs\detect\train11\weights\best.onnx imgsz=640 data=D:\GitProjects\ultralytics\ultralytics\cfg\datasets\coco128.yaml 
Visualize:       https://netron.app

进程已结束,退出代码0

八、可能出现的问题

• 乱码提示需要运行pip install --no-cache "py-cpuinfo"，在这可能需要先更新pip，按照提示即可
  
• xxx

九、附yolo命令参数解释

GitHub官方对所有参数的解释

task

• detect：指定任务为目标检测，即通过模型识别图像或视频中的物体，然后在图像上标注出它们的位置。
• classify：指定任务为图像分类，即通过模型将图像分为不同的类别。
• segment：指定任务为图像分割，即将图像分割为不同的区域，并为每个区域分配一个标签。

mode

• train：指定模式为训练模式，用于训练模型。
• predict：指定任务为预测，即使用训练好的模型对新的图像进行预测。
• val：指定验证模式，用于评估模型在验证集上的性能。
• export：指定任务为导出模型，即将训练好的模型导出到其他格式，如ONNX。

model

• yolov8n.pt：指定模型的文件名或路径，其中yolov8n.pt表示模型的文件名。
• yolov8n-cls.yaml：指定用于图像分类的模型配置文件的文件名或路径。
• yolov8n-seg.yaml：指定用于图像分割的模型配置文件的文件名或路径。

Key	Value	Description
data	None	数据文件路径，例如 coco128.yaml
imgsz	640	图像尺寸，可以是一个标量或 (h, w) 的列表，例如 (640, 480)
batch	16	每个批次的图像数（-1 表示自动批处理）
save_json	FALSE	是否将结果保存为 JSON 文件
save_hybrid	FALSE	是否保存标签的混合版本（标签 + 额外的预测结果）
conf	0.001	目标置信度阈值，用于检测
iou	0.6	NMS（非最大抑制）的交并比阈值
max_det	300	每张图像的最大检测数
half	TRUE	是否使用半精度（FP16）
device	None	运行模型的设备，例如 cuda device=0/1/2/3 或 device=cpu
dnn	FALSE	是否使用 OpenCV DNN 进行 ONNX 推断
plots	FALSE	训练过程中是否显示图表
rect	FALSE	针对最小填充的每个批次进行矩形验证
split	val	用于验证的数据集拆分，例如 ‘val’、‘test’ 或 ‘train’