ubuntu20.04 ,安装anaconda,运行YOLOv8

狻

已于 2025-05-08 10:57:04 修改

阅读量1.5k

点赞数 31

文章标签： YOLO 深度学习

于 2024-10-09 09:13:08 首次发布

本文链接：https://blog.youkuaiyun.com/wsw_wsw_/article/details/142631445

版权

遇到的问题

1、yolov8n.pt, yolov8n.yaml 区别

yolov8n.pt 配置好的二进制模型文件

yolov8n.yaml 可修改配置好的模型文件

2、CUDA与pytorch版本不兼容

查看是否安装NVIDIA驱动命令： nvidia-smi(这里面也会显示CUDA版本不用管)

查看nvcc版本命令： nvcc --version（目前只需看着这里的CUDA版本），如果没有安装，按提示安装

利用python3输入以下命令，结果为TURE为兼容

import torch
print(torch.cuda.is_available())

访问Previous PyTorch Versions | PyTorch，找到与CUDA版本相符的Pytorch版本 ,(我的CUDA是10.1)

【一文解决】已安装CUDA与Pytorch但torch.cuda.is_available()为False_torch.cuda.is available返回false-优快云博客

3、【CUDA】nvcc和nvidia-smi显示的版本不一致

通常，driver api的版本能向下兼容runtime api的版本，即 nvidia-smi 显示的版本大于nvcc --version 的版本通常不会出现大问题。

【CUDA】nvcc和nvidia-smi显示的版本不一致？_nvcc --version-优快云博客

1、安装流程

1.1 安装anaconda()

Anaconda集成了常用的科学计算库，如NumPy、SciPy、Pandas和Matplotlib等，并且包含了一个强大的包管理系统，可以方便地安装和管理Python包。Anaconda还附带了一个集成开发环境（IDE）——Anaconda Navigator，它可以帮助用户更方便地开发和调试Python代码。

安装比较简单，参考Ubuntu20.04安装Anaconda过程记录_ubuntu20.4 anaconda-优快云博客

1.2 利用anaconda 创建虚拟环境

不同的虚拟环境可以配置不同版本的包，比如一个环境里配python2,另外的环境配python3

1.2.1 conda 常见命令

查看conda版本：通过输入conda --version
创建虚拟环境：使用conda create -n env_name python=3.8命令可以创建一个名为env_name的新虚拟环境，并指定Python版本为3.8。若不指定Python版本，将自动创建基于最新版本的环境。
激活虚拟环境：conda activate env_name进行激活。如果忘记env_name，使用conda env list查看
退出虚拟环境：使用命令conda deactivate可以退出当前激活的虚拟环境，返回到基础环境。
删除虚拟环境：使用conda remove -n env_name --all命令可以删除指定的虚拟环境及其所有内容。
查询包的安装情况：使用conda list命令可以列出当前环境中已安装的所有软件包及其版本信息。
安装软件包：使用conda install package_name命令可以安装指定的软件包。如果需要指定版本，可以使用conda install package_name=version。
卸载软件包：使用conda remove package_name命令可以从当前环境中卸载指定的软件包。

1.2.2 创建虚拟环境

1、创建虚拟·

conda create -n yolov8_2cp38 python=3.8

2、激活虚拟环境

 conda activate yolov8_2cp38

首次激活环境后，为了conda \pip下载更加顺畅，添加conda \pip源


#添加Anaconda的清华镜像
#anaconda默认的各种包的下载源，全部在国外，下载速度慢
conda config --add channels http://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/msys2/
conda config --add channels http://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge/
conda config --add channels http://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/


设置搜索时显示通道地址
conda config --set show_channel_urls yes 

#更新pip的源
pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple

#如果想换回Anaconda的默认下载源时，把之前设置的移除
conda config --remove-key channels

3、安装依赖库

conda install numpy mkl cffi

4、安装pytorch

这里需要注意CUDA与pytorch版本的兼容性（查看最上方,遇到的问题2）

# CUDA 10.1
conda install pytorch==1.7.1 torchvision==0.8.2 torchaudio==0.7.2 cudatoolkit=10.1 -c pytorch

如果没有GPU，应该是选择cpu only

# CPU Only
conda install pytorch==1.7.1 torchvision==0.8.2 torchaudio==0.7.2 cpuonly -c pytorch

5、安装YOLO的代码ultralytics

pip install ultralytics

6、检验 ultralytics是否安装成功

import ultralytics
ultralytics.checks()

2、测试yolo

2.1 常见yolo 命令

YOLO（You Only Look Once）是一种流行的实时目标检测系统，广泛应用于计算机视觉领域。YOLO的常见指令主要包括训练、预测和模型导出等。

训练
- 命令格式：
```
yolo train data=data/data.yaml model=yolov8s.pt epochs=300 imgsz=640 batch=8 workers=0 device=0
```
- 主要参数
  - data：训练的参数文件，包含训练集和验证集的图片路径、标签名称数量等信息。
  - model：预训练模型，可以是YOLOv8官方的模型，也可以是自己训练的模型。
  - epochs：训练轮数，轮数越多，精准度通常会提高，但会有一个临界值。
  - imgsz：训练时图片大小，根据自己训练的图片尺寸和要识别的物体大小进行判断。
  - batch：每次传入GPU的图片数量，对显卡的显存要求高。
  - workers：数据装载时CPU所使用的线程数，可以查看自己的CPU的线程数量进行设置。
  - device：训练所使用的设备，默认为CPU，0为显卡。
预测
- 命令格式：
```
yolo predict model=yolov8n.pt source='ultralytics/assets/' device=0
```
- 主要参数
  - model：要测试的模型，可以是YOLOv8官方的模型，也可以是自己训练的模型。
  - source：要测试的图片或视频的地址，使用绝对路径和相对路径都可以。
  - device：测试图片或视频使用的设备。
模型导出
- 命令格式：
```
yolo export model=yolov8n.pt format=onnx
```
- 主要参数
  - model：要转化的模型。
  - format：要转化成的模型类型。

格式	描述	用途
ONNX	开放的神经网络交换格式	跨平台部署（如Caffe2、MXNet）
TensorRT	NVIDIA的高性能推理库	GPU加速推理
CoreML	Apple的机器学习框架	iOS应用集成
TF SavedModel	TensorFlow的保存和加载机制	TensorFlow环境使用
TorchScript	PyTorch的优化模式	提高推理性能
PaddlePaddle	百度的深度学习平台	PaddlePaddle环境使用
NCNN	移动端优化的推理框架	移动设备目标检测

2.2 测试YOLOv8 是否安装成功

yolo predict model=yolov8n.pt source='https://ultralytics.com/images/bus.jpg'