胎教版超详解YOLOv8的环境搭建流程与模型训练

目录

一、关于YOLOv8

1.1 性能

1.2 多任务学习

1.3 无锚点检测头

1.4 网络结构

1.5 损失函数

1.6 预训练模型

二、环境搭建流程

2.1 检查显卡支持的的CUDA版本

2.2 下载对应的版本的CUDA

2.3 下载cudnn

2.4 下载Anaconda

2.5 配置环境变量

2.6 安装python环境(即解释器)

2.7 安装PyTorch

2.8 在Pycharm中调用PyTorch

三、数据集获取

3.1 注册Roboflow

3.2 下载所需的数据集。

四、模型训练

4.1 模型获取

4.2 模型训练

---

一、关于YOLOv8

YOLOv8是由Ultralytics公司开发的YOLO（You Only Look Once）目标检测和图像分割模型的最新版本，代表着YOLO系列在物体检测领域的前沿发展。

1.1 性能

• YOLOv8在精度和速度方面进行了显著提升，能够在保证检测准确性的同时，快速处理图像或视频数据。

• 通过模型优化，YOLOv8可以在较低的计算资源下实现实时检测。

1.2 多任务学习

• YOLOv8不仅支持目标检测，还支持实例分割、关键点检测等多种计算机视觉任务，适应不同的应用场景。

• 实例分割是指在保持物体形状的同时区分不同的实例，这对于场景理解和物体识别非常重要。

• 姿态评估任务通常涉及到对人体或动物等生物的姿态进行识别和定位，YOLOv8通过专门的模型来处理这个任务。

1.3 无锚点检测头

• 与传统的基于锚框的检测方法不同，YOLOv8采用了无锚点（Anchor-Free）的检测头，这可以提高检测的准确性，尤其是在处理小尺寸物体时。

• 无锚点方法减少了计算量，并提高了对不同形状和大小物体的检测能力。

1.4 网络结构

• YOLOv8采用了新的网络主干架构和颈部结构，这些结构负责提取图像的特征，并更有效地传递这些信息，从而提高物体检测的性能。

• 新的网络结构有助于提升模型的检测精度和速度。

1.5 损失函数

• YOLOv8引入了新的损失函数，这有助于更好地平衡正负样本，提高模型在训练过程中的学习效率。

• 新的损失函数结合了定位损失和分类损失，提升了模型训练的稳定性和最终的检测精度。

1.6 预训练模型

• YOLOv8提供了不同尺度的预训练模型，如Nano、Small、Medium、Large和Extra Large，以适应不同的硬件平台和应用场景。

• 这些预训练模型可以节省训练时间和计算资源，同时提高模型的性能。

• YOLOv8支持多种导出格式，并可在CPU和GPU上运行，这使得它在实际部署时具有很高的灵活性。

二、环境搭建流程

2.1 检查显卡支持的的CUDA版本

我们可以通过英特尔的显卡控制面板来查看我们显卡驱动支持的CUDA版本

首先鼠标右击桌面-显示更多选项-NVIDIA控制面板-点击弹出界面左下角的(系统信息)-点击弹出界面的(组件)

经过上述操作后我们可以观测到红色方框内的信息可以看到(NVIDIA CUDA 12.0.89 driver)就是我电脑支持CUDA的版本，当然你电脑支持的版本可能和我不一样如果版本过低可以进行更新显卡驱动。CUDA的版本是向下兼容的，所以11.x的版本也是可以用的，为了兼容问题其实我是推荐下前几个版本的，比如11.6，11.7。

2.2 下载对应的版本的CUDA

CUDA下载 (打开速度会很慢如果介意可以用梯子但是不用梯子也可以下载)

当我们获知了电脑支持CUDA的版本后就可以下载，可以下载最新版本的前几个版本。这里我下载的是版本11.6.2

 当输入链接后我们就可以点击选择对应CUDA的版本,选择好后点击左侧绿色字体会弹出新的页面。

弹出新的页面后按照自身电脑系统选择即可最后点击右下角的Download进行下载。

下载完成后即可进行安装。

运行安装包后会弹出以下界面。

上面的地址是提取地址不用选择安装完后会自动删除，我们选择OK，经过一段时间加载后会弹出新的界面，我们只需一路同意到安装选项的那一步时选择自定义安装(高级) 。

选择自定义安装后点击下一步 。

按照我的操作对应的打钩即可，然后点击下一步进行安装会让我们选择安装地址(ps:一定要记住安装地址怕忘可以先用记事本记住)这里建议选择默认地址即可省的之后出错。然后点击下一步等待安装完成即可。

到这