初识yolo

确认版本

cuda

我的是11.3.121，后面安装的CUDA toolkit和cuDNN大版本不能超过它

python

Anoconda

version

虚拟环境

# 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
#删除
conda env remove -n env_name

CUDA toolkit

验证成功安装

cuDNN

cuDNN下载

pytorch

cuda版本为release 11.3, V11.3.109

conda install pytorch==1.12.1 torchvision==0.13.1 torchaudio==0.12.1 cudatoolkit=11.3 -c pytorch

conda install pytorch==1.12.1 torchvision==0.13.1 torchaudio==0.12.1 -c pytorch

conda install pytorch==1.12.1 torchvision==0.13.1 torchaudio==0.12.1 cpuonly -c pytorch

测试pytorch是否成功

环境测试

拉取项目

git clone https://github.com/ultralytics/ultralytics.git

pycharm打开项目，更换为yolov8虚拟环境

按照网上搜到的博客，下一步应该安装项目依赖

pip install -r requirements.txt

但是没有找到该文件，后来发现新版项目官方把代码都整合到了ultralytics包里面，只需安装这一个库就可以了，里面封装了环境所需库

pip install ultralytics

验证cuDNN

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()}')

验证yolo

CLI

Ultralytics 命令行界面 (CLI) 允许使用简单的单行命令，而无需Python 环境。CLI 不需要定制或Python 代码。您只需使用 yolo 指挥部。

yolo predict model=yolov8n.pt source='E:/py_program/ultralytics/ultralytics/assets/bus.jpg'

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='E:/py_program/ultralytics/ultralytics/assets/bus.jpg')
success = model.export(format="onnx")  # 将模型导出为 ONNX 格式
print(success)

报错

WARNING: The shape inference of prim::Constant type is missing, so it may result in wrong shape inference for the exported graph. Please consider adding it in symbolic function