uv配置yolov8 gpu环境的方法

1.资源下载总地址

链接

 

2.CUDA配置

下载CUDA11.8，对应你电脑系统的版本，并安装，安装时选择自定义安装，勾选所有文件。

路径可以改到其它盘，但要记下安装目录，后面配置CUDNN时需要。

可以在上面的百度网盘地址下载，也可以用迅雷下载官方的链接：链接，不用会员速度也很快。

 

3.CUDNN配置

下载对应CUDA版本的CUDNN，并解压，复制里面的几个文件夹复制到你安装CUDA时的目录下，替换掉那个目录的同名文件夹

可以在上面的百度网盘地址下载，也可以下载官方的链接：链接，在里面选择最新的11.x的windows zip包即可。需要登录或注册才能下。

 

4.UV配置

如果没配过uv可以在网上搜配置uv环境的方法，这里默认已经配好uv环境。

开始配置，首先在你uv项目根目录处右键点击终端，然后一条条执行以下代码

uv init yolo
cd yolo
uv sync
uv add ultralytics
uv pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118
uv pip uninstall torchvision
uv pip install torchvision --index-url https://download.pytorch.org/whl/cu118

上面的yolo是放yolo代码的虚拟环境，可以换成自己喜欢的名字，跑完所有代码之后可以输入uv tree查看项目依赖，看看是否配置成功（一般不报错就肯定成功了）。

 

5.配置ultralytics文件夹

下载ultralytics-8.1.40，下完后解压扔进刚刚的yolo虚拟环境文件夹里，链接在上面百度网盘.

也可以去官网下：Releases · ultralytics/ultralytics，注意要下载8.3以下的版本，另外还要下载yolov8n.pt、yolov8s.pt和yolov8m.pt等预训练权重扔进解压出来的目录里，这些文件在这里。

 

6.验证环境

在上面说的yolo创建.py文件

from ultralytics import YOLO
# 加载预训练的 YOLOv8n 模型
model = YOLO(r'xxx\yolo\ultralytics-8.1.40\ultralytics-8.1.40\yolov8n.pt')
# 定义图像文件的路径
source = 'xiaomi.jpg' #更改为自己的图片路径
# 运行推理，并附加参数
model.predict(source, save=True)

上面的xxx换成你的路径，路径可以在pycharm中右键文件或文件夹，复制路径->绝对路径获得。图片名字可以改成自己图片的名字，改完后把自己的图片（动物人车等都可以）扔进上面说的yolo文件夹

运行脚本，若成功运行则可在yolo/runs/detect/predict中找到框选出目标的图片

 

7.结语

后面的教程就和网络上差不多了，我就不多写了，需要注意的是我们的路径可能和他们不一样，可以用上面获取绝对路径的方法替换掉网络上教程代码中的路径

进阶教程可以参考这个目标检测：yolov8(ultralytics)训练自己的数据集，新手小白也能学会训练模型，一看就会_yolov8s-CSDN博客

 

8.参考文献

[YOLOv8] 问题分析和解决 - NotImplementedError: Could not run ‘torchvision::nms‘ ...from the ‘CUDA‘ backend_yolov8notimplementederror: could not run 'torchvis-CSDN博客

深度学习目标检测：yolov8(Ultralytics)环境配置，适合0基础小白，超详细-CSDN博客