手把手带你实战YOLOv8 - 从环境搭建到目标检测（含常见问题解决）

原创已于 2025-11-10 16:27:07 修改 · 986 阅读

11 ·

CC 4.0 BY-SA版权

文章标签：

#YOLO #目标检测 #人工智能 #python #算法 #图像处理

于 2025-10-31 15:25:35 首次发布

算法专栏收录该内容

5 篇文章

订阅专栏

部署运行你感兴趣的模型镜像

一、前置准备：安装必要组件

YOLOv8 是基于 PyTorch 的目标检测框架，使用前需要正确配置开发环境。本节将详细介绍如何通过 Miniconda（或 Miniforge）管理环境，并安装 PyTorch 与 Ultralytics。

手把手带你实战演练YOLOv8

组件	作用	关联
Miniconda / Miniforge	轻量级 Python 环境管理工具	用于创建独立环境，避免包冲突
PyTorch	深度学习核心框架	提供 GPU 加速与模型训练能力
Ultralytics (YOLOv8)	目标检测工具库	基于 PyTorch 构建，提供简洁 API
终端（Terminal）	操作入口	所有命令在此执行，推荐使用 cmd

1. 使用 Miniconda（Windows用户）

1）打开精华大学镜像源网址：https://mirrors.tuna.tsinghua.edu.cn/

2）找到 anaconda --> 点击进入找到 miniconda

在这里插入图片描述

3）点击进入 miniconda 搜索py38（YOLOv8 兼容性好）找到 windows 版本

在这里插入图片描述

4）下载并安装，安装目录不能有中文

安装成功后搜索cmd能找到

在这里插入图片描述

补充：使用 Miniforge 替代 Miniconda

Miniforge 和 Miniconda 使用方法基本一致（轻量替代，支持 M1/M2 Mac）

如果你使用的是 ARM 架构 Mac 或希望更纯净的 conda 环境，推荐使用 Miniforge：

在这里插入图片描述

安装目录不能有中文

在这里插入图片描述

conda 创建并激活虚拟环境

1）搜索 cmd 找到

在这里插入图片描述

2）打开 Anaconda Prompt 创建环境：

# 创建名为 yolov8 的虚拟环境，指定 Python 3.8
conda create -n yolov8 python=3.8

在这里插入图片描述

3）激活环境

conda activate yolov8

在这里插入图片描述

激活后命令行前缀会显示 (yolov8)，表示当前处于该环境中。

4）配置国内镜像源（加速 pip 安装）

由于 PyPI 国外源速度慢，建议配置国内镜像源（如清华源）：

配置方法：https://mirrors.tuna.tsinghua.edu.cn/help/pypi/

将清华大学镜像源设为默认（写入 ini 配置文件）

# pip config 是全局设置
pip config set global.index-url https://mirrors.tuna.tsinghua.edu.cn/pypi/web/simple

在这里插入图片描述

验证是否设置成功

pip config list

在这里插入图片描述

下载完镜像后也可通过查看 C:\Users\Administrator.condarc 内容判断镜像配置是否正确（如果内容过多则配置失败）

在这里插入图片描述

2. 安装 pytorch（支持 GPU / CPU）

安装 pytorch 前，需查看电脑显卡配置，系统驱动，判断最高能支持哪一版本

1) 查看显卡驱动与 CUDA 支持版本

方法一：通过 NVIDIA 控制面板查看

① 右键桌面 → 打开 NVIDIA 控制面板

在这里插入图片描述

② 点击左下角「系统信息」

在这里插入图片描述

③ 查看「组件」中的 NVCUDA.DLL 版本

在这里插入图片描述

示例：NVCUDA.DLL Version: 12.3 → 支持 CUDA 12.3

根据 CUDA 版本选择对应的 PyTorch 安装命令
若 NVCUDA.DLL 版本比较老，建议升级显卡驱动

方法二：使用 nvidia-smi 命令

① 把以下两个路径加入系统的环境变量 PATH 中：

C:\Program Files\NVIDIA Corporation\NVSMI\
C:\Program Files\NVIDIA Corporation\NVIDIA NvDLISR\

② 然后在终端运行：

nvidia-smi

在这里插入图片描述

2）确定好最高版本，安装 pytorch

pytorch 下载地址：https://pytorch.org

打开后下滑选择对应下载需求

在这里插入图片描述

我的显卡驱动版本为13.0，比较新，安装CUDA 12.1 对应 pytorch 版本即可
注：pytorch需创建指定环境安装

# 1. 创建新环境（比如叫 pytorch-gpu），使用 Python 3.10（推荐）
conda create -n pytorch-gpu python=3.10 -y

# 2. 激活新环境
conda activate pytorch-gpu

# 3. 使用 官方 + 国内镜像组合 安装 CUDA 12.1 版本
pip install torch==2.5.1 torchvision==0.20.1 torchaudio==2.5.1 --extra-index-url https://pypi.tuna.tsinghua.edu.cn/simple -f https://mirror.sjtu.edu.cn/pytorch-wheels/cu121/

注意安装的 python 版本要与 pytorch 兼容

若之前安装过pytorch，彻底卸载当前 PyTorch

conda activate pytorch-gpu
pip uninstall torch torchvision torchaudio -y

在这里插入图片描述

若镜像及官网安装失败，可直接下载至本地

包	下载链接
torch	https://download.pytorch.org/whl/cu121/torch-2.5.1%2Bcu121-cp310-cp310-win_amd64.whl
torchvision	torchvision-0.20.1+cu121-cp310-cp310-win_amd64.whl
torchaudio	torchaudio-2.5.1+cu121-cp310-cp310-win_amd64.whl

本地下载成功后，进入存储三个 .whl 文件的文件夹，我放到了 F:\yolov 目录中

# 激活环境
conda activate pytorch-gpu

# 进入存放 .whl 文件的目录：
cd /d F:\yolov

安装 GPU 版本（注意：文件名必须完全匹配！可使用 dir *.whl 查看文件名）

pip install torch-2.5.1+cu121-cp310-cp310-win_amd64.whl
pip install torchvision-0.20.1+cu121-cp310-cp310-win_amd64.whl
pip install torchaudio-2.5.1+cu121-cp310-cp310-win_amd64.whl

3）验证 PyTorch 是否支持 GPU

输入python ，进入 Python 环境测试

import torch
torch.cuda.is_available()

输出结果应为：

True

在这里插入图片描述

若 CUDA Available 为 False，请检查：
显卡驱动是否最新
CUDA 版本是否匹配
是否安装了正确的 PyTorch 版本

python -c "import torch; print('PyTorch版本:', torch.__version__); print('编译时CUDA版本:', torch.version.cuda); print('cuDNN版本:', torch.backends.cudnn.version() if torch.backends.cudnn.is_available() else 'N/A'); print('当前CUDA可用:', torch.cuda.is_available())"

在这里插入图片描述

3. 安装 ultralytics (YOLOv8)

1）安装依赖

清华源下载 ultralytics

pip install -U ultralytics -i https://pypi.tuna.tsinghua.edu.cn/simple/

-U 表示升级安装，确保获取最新稳定版。

安装完成：

在这里插入图片描述

2）验证安装是否成功

输入 python ，打开编辑器

import ultralytics
ultralytics.checks()

验证安装成功：
在这里插入图片描述

下载源码（可选）：

克隆官方仓库便于本地调试：

https://github.com/ultralytics/ultralytics

在这里插入图片描述

放置到桌面，在vscode / pycharm上打开文件：

在这里插入图片描述
在 Anaconda Prompt 终端进入该文件夹

cd desktop 
cd ultralytics-main

# 我的文件夹
cd /d F:\yolov\ultralytics-main

快速预测一张图片

yolo predict model=yolov8n.pt source=ultralytics/assets/bus.jpg

在这里插入图片描述

网络好可以直接下载，网络不好复制资源地址进行下载

在这里插入图片描述

检测成功，检测到 4个人 1辆车，一个stop信号，一共花了102ms

在这里插入图片描述

4. Windows 终端使用注意事项（非常重要！）

cmd conda init cmd.exe
anaconda prompt

不要使用 PowerShell ，在使用软件 PyCharm 时修改终端为 cmd

cmd 鼠标左键为复制，鼠标右键为粘贴

在这里插入图片描述

二、模型预测实战

1. 模型预测的基本使用

1）ultralytics-main 文件夹里创建 demo_predict.py

在这里插入图片描述
2）写入内容：

from ultralytics import YOLO

# 加载模型
model = YOLO('yolov8n.pt')  # 自动下载若不存在

# 进行预测
results = model(source='ultralytics/assets/bus.jpg', save=True, conf=0.5, iou=0.45)

# 打印结果
for r in results:
    print(r.boxes)  # 输出边界框信息

3）运行该代码，并修改终端为cmd

在这里插入图片描述
4）激活环境

conda activate yolov8

5）运行检测算法

yolo detect predict model=./yolov8n.pt source=./ultralytics/assets/bus.jpg

在这里插入图片描述
6）查看运行结果

2. 常用参数讲解

常用参数可以在 ultralytics-main 文件或官网上找到

在这里插入图片描述

参数	说明	示例
source	输入源	‘0’（摄像头）、‘screen’（屏幕）、视频路径、图片路径
save	是否保存结果	save=True
conf	置信度阈值	conf=0.5（低于此值不显示）
iou	NMS IOU 阈值	iou=0.45（控制重叠框合并）
imgsz	输入图像尺寸	imgsz=640（越大越准但越慢）
device	设备选择	device=0（GPU）、device=cpu

示例：使用摄像头实时检测

result = yolo(source="./ultralytics/assets/bus.jpg"，save = true)
source 可以等于 “图片，视频，屏幕（ “ screen ” ），打开摄像头（ 0 ）”

save = true 后，结果保存在如下位置

Results saved to C:\Users\Administrator\Desktop\ultralytics-main\runs\detect\predict3

在这里插入图片描述

3.Boxes 与 Plot 应用（高级用法）

获取检测结果中的边界框信息：

results = model("bus.jpg")
for result in results:
    boxes = result.boxes  # Box object for bbox outputs
    masks = result.masks  # Masks object for segmentation masks outputs
    probs = result.probs  # Class probabilities for classification outputs

    print(boxes.xyxy)   # 坐标
    print(boxes.conf)   # 置信度
    print(boxes.cls)    # 类别 ID

可视化绘图：

result = results[0]
plot = result.plot()  # 绘制检测框和标签

三、常见问题与解决方案

1. conda 不是内部或外部命令

原因： Miniconda 未添加到系统 PATH
解决：

找到安装目录下的 Scripts 和 condabin 文件夹
将以下路径加入系统环境变量 PATH：

C:\Miniconda3\
C:\Miniconda3\Scripts\
C:\Miniconda3\condabin\

重启终端

2. yolo 命令找不到

原因： Ultralytics 安装失败或未正确激活环境
解决：

# 确保在 yolov8 环境中
conda activate yolov8

# 重新安装
pip uninstall ultralytics -y
pip install ultralytics -i https://pypi.tuna.tsinghua.edu.cn/simple/

3. brotli 包错误

原因： brotli 模块不兼容导致启动失败
解决：

1）找到 miniconda 的安装位置

conda info

在输出信息中查找这一行：

base environment : C:\Users\Administrator\miniconda3  (writable)

2）删除 brotli 相关文件

进入：C:\Users\Administrator\miniconda3\Lib\site-packages
查找 brotli 相关文件，全部删除

3）重新安装正确的 brotlipy

C:\Users\Administrator\miniconda3\python.exe -m pip install brotlipy

4）验证修复

C:\Users\Administrator\miniconda3\python.exe -c "import brotli; print(brotli.error)"

正确输出为：

<class 'brotli.error'>

5）正常使用 conda

conda create -n yolov8 python=3.8

4. 删除conda环境

列出所有环境

conda env list

在这里插入图片描述

退出当前使用环境，进入base

conda deactivate

删除指定环境（如：yolov8）

conda env remove -n yolov8

列出删除后环境

conda env list

在这里插入图片描述

您可能感兴趣的与本文相关的镜像

PyTorch 2.5

PyTorch

Cuda

PyTorch 是一个开源的 Python 机器学习库，基于 Torch 库，底层由 C++ 实现，应用于人工智能领域，如计算机视觉和自然语言处理

手把手带你实战YOLOv8 - 从环境搭建到目标检测（含常见问题解决）

YOLOv8

一、前置准备：安装必要组件

1. 使用 Miniconda（Windows用户）

补充：使用 Miniforge 替代 Miniconda

conda 创建并激活虚拟环境

2. 安装 pytorch（支持 GPU / CPU）

1) 查看显卡驱动与 CUDA 支持版本

2）确定好最高版本，安装 pytorch

3） 验证 PyTorch 是否支持 GPU

3. 安装 ultralytics (YOLOv8)

1）安装依赖

2）验证安装是否成功

4. Windows 终端使用注意事项（非常重要！）

二、模型预测实战

1. 模型预测的基本使用

2. 常用参数讲解

3.Boxes 与 Plot 应用（高级用法）

三、常见问题与解决方案

1. conda 不是内部或外部命令

2. yolo 命令找不到

3. brotli 包错误

4. 删除conda环境

3）验证 PyTorch 是否支持 GPU