英伟达Jetson搭建Yolov8环境过程中遇到的各种报错解决（涉及numpy、scipy、torchvision等）以及直观体验使用Yolov8目标检测的过程（CLI命令行操作、无需代码）

1、说明

本文以记录分享、体验/体会如何使用Yolov8为主，实现搭建Yolov8环境以及CLI命令行执行训练、使用模型进行目标检测。

2、操作记录

2.1、开始安装yolov8

2.1.1、安装yolov8

官方链接：快速开始 - Ultralytics YOLOv8 文档，开始输入第一条指令，等待第一个报错吧hhh

sudo pip install ultralytics

2.1.2、执行结果

numpy1.21.5无法卸载

尝试手动卸载numpy1.21.5，发现根本就没有，Found existing installation是1.26.3，既然系统找不到旧的且能识别出新的numpy版本，那这个卸载报错先不管。

onnx没有安装

ERROR:pip's dependency resolver does not currently take into account all the packages that are installed.This behaviour is the source of the following dependency conflicts.onnx-graphsurgeon 0.3.12 requires onnx,which is not installed.

这个错误信息表示pip的依赖解析器没有考虑到所有已安装的包。这种行为导致了以下依赖冲突：onnx-graphsurgeon 0.3.12 需要 onnx，但未安装。

要解决这个问题，需要先安装 onnx 包，使用以下命令进行安装：

pip install onnx

2.1.3、再次安装yolov8

也就是再次执行sudo pip install ultralytics，不报错了。

下图同时显示了安装yolov8涉及到的其他包的版本，后面会用到。

2.1.4、查看yolov8版本

yolo version

有一个关于torchvision的警告，因为是警告此时我没有管它，后面还是要处理，如果你不希望踩坑可以看完后续再操作。

想起一个笑话，如果在悬崖边放置“Warning”的标识，程序员会跳下去。

2.2、关于yolov8的CLI命令行操作介绍

关于CLI操作的官方链接：Configuration - Ultralytics YOLOv8 Docs

2.2.1、语法

2.2.2、TASK任务

• Detect：目标检测
• Segment：分割
• Classify：分类
• Pose：姿态估计

2.2.2、MODE模式

• Train：使用自定义的数据集训练yolov8模型
• Val：训练后验证yolov8模型
• Predict：使用训练的模型预测新的图片or视频
• Export：导出yolov8模型用于部署
• Track：实时使用yolov8模型跟踪目标
• Benchmark：性能测试

2.2.3、ARGS参数

参数是以键值对的形式写在CLI的，表格很长只截取一些，想要深入了解请进入官网。 

2.3、初次尝试yolov8训练

2.3.1、执行训练

yolo train data=coco128.yaml model=yolov8n.pt epochs=10 lr0=0.01

默认Task任务是目标检测，Mode模式是train训练，data和model指的是配置文件和模型，epochs代表训练的次数，lr0为初始学习率用来控制模型更新的幅度。

2.3.2、输出信息梳理及报错处理

• 提示torchvision有个警告
• 下载yolov8n.pt这个文件，根据网络需要等很久。
• engine/trainer，然后发现数据集coco128.yaml没有图片，于是开始下载coco128.zip并解压。

一个关于模型的表格，下方汇总的summary信息是“Model summary:255 layers,3157200 parameters,3157184 gradients, 8.9 GFLOPs” ，以下解释来自AI：

• 255 layers: 表示模型中包含的层数，即神经网络的深度。一个层可以是一个全连接层、卷积层、池化层等。
• 3157200 parameters: 表示模型中的参数数量。参数是模型需要学习的权重和偏置值，用于对输入数据进行预测或分类。
• 3157184 gradients: 表示模型中梯度的数量。梯度是在反向传播过程中计算的，用于更新参数以最小化损失函数。
• 8.9 GFLOPs: 表示模型的计算复杂度，即每秒可以进行的浮点运算次数（Giga Floating Point Operations Per Second），较高的GFLOPs值通常意味着模型更复杂，但也可能需要更多的计算资源来进行训练和推理。

出现警告，"UserWarning: A NumPy version >=1.17.3 and <1.25.0 is required for this version of SciPy (detected version 1.26.3)"，表示当前使用的SciPy版本需要NumPy版本在1.17.3到1.25.0之间，但是现在是1.26.3。如果NumPy版本不在这个范围内，可能会导致程序运行出现问题。

根据2.1.3小节，yolov8需要的numpy>=1.22.2，所以进一步来说需要1.22.2~1.25.0之间的numpy版本。但是scipy和numpy的版本不兼容并不意味着一定要从scipy的角度降级numpy，也可以升级scipy试试。

pip install --upgrade scipy

非常棒，把scipy从1.8.0升级到1.11.4，同时也满足了1.11.4对于numpy版本在1.21.6~1.28.0的要求，如下图。（这个操作是执行完训练之后，另开一个terminal处理的）

接下来是训练过程中的报错：

报错RuntimeError: Couldn't load custom C++ ops. This can happen if your PyTorch and torchvision versions are incompatible, or if you had errors while compiling torchvision from source. For further information on the compatible versions, check https://github.com/pytorch/vision#installation for the compatibility matrix. Please check your PyTorch version with torch.__version__ and your torchvision version with torchvision.__version__ and verify if they are compatible, and if not please reinstall torchvision so that it matches your PyTorch install.

这个错误信息表示在运行YOLO模型时，无法加载自定义的C++操作。这可能是因为PyTorch和torchvision的版本不兼容，或者在从源代码编译torchvision时出现了错误。为了解决这个问题，请访问GitHub - pytorch/vision: Datasets, Transforms and Models specific to Computer Vision检查您的PyTorch版本和torchvision版本是否兼容。如果不兼容，请重新安装torchvision以使其与您的PyTorch安装相匹配。

第一个原因：PyTorch和torchvision的版本不兼容。

访问报错提供的网址得到如下表格，根据2.1.3得到torch是2.1.2，torchvision是0.16.2，python是3.10，满足版本要求。

第二个原因：从源代码编译torchvision时出现了错误。

很可能是第二个原因，而且上面我就见到过关于torchvision的报错，只是当时它还是个警告...

以为是没有libjpeg或libpng，但是提示已安装并且是最新版。

那可能是安装torchvision的过程中出错了，需要reinstall torchvision，懒得卸载、安装两步，尝试了下upgrade，如果有最新版本就一个指令完成卸载、安装，已安装最新版本再说。

于是执行：

pip install --upgrade torchvision

下图展示了yolo version警告——执行安装新版本torchvision——解决yolo version警告后正常的全过程。有一个比较奇怪的问题是显示当前torchvision版本为0.15.1更新为0.16.2，但是从2.1.3来看torchvision版本本来就是为0.16.2，不知道为什么是这样。

至此，解决了初次执行yolov8训练指令过程中的所有报错。

2.4、再次执行yolov8训练-成功

训练10次的过程，一共是0.376小时≈22分钟。

训练的结果汇总，从列表看到自带了很多常见的目标，比如person、bicycle、car、airplane、bus等等，"Results saved to runs/detect/train2"，就是说训练的结果保存在这个路径。

2.5、预测/推理

2.5.1、使用自带的模型yolov8n.pt预测

打算测试识别airplane和car，首先要找一些图片保存到/home/lgzn/Pictures/test_car_plane这个文件夹，然后执行：

yolo predict model=yolov8n.pt source='/home/lgzn/Pictures/test_car_plane'

根据输出可以得到：

• 识别到这10张图片里的airplane、car、bus、traffic light；
• 有每张图片的识别时间，大约要300ms，耗时非常久；
• 识别的结果保存在runs/detect/predict2；

打开runs/detect/predict2，查看识别的效果如下：

2.5.2、使用训练的模型预测

在上面2.4小节训练完成后的路径下找到.pt后缀的训练后模型。

可以选择best.pt或last.pt任意一个，放到上面的yolov8n.pt路径下，然后执行2.5.1的yolo预测指令，尝试了best.pt，执行：

yolo predict model=best.pt source='/home/lgzn/Pictures/test_car_plane'

得到的效果和上面是类似的，就不重复贴图了，有关进一步的测试在这个链接：YOLOv8_测试yolov8n.pt，yolov8m.pt训练的时间和效果、推理一张图片所需时间_解决训练时进程被终止killed-优快云博客