超详细的YOLOv8安装与测试指南：让计算机视觉任务变得简单

python3+、Anaconda3或Miniconda3Ultralytics提供了多种安装方法，包括pip、conda和Docker。通过pip包安装最新稳定版的YOLOv8，或者克隆Ultralytics GitHub仓库以获取最新版本。Docker可用于在隔离容器中执行包，避免本地安装。最简单直接的方式就是直接使用pip方法直接安装。也可以直接从GitHub仓库安装包。如果你想要最新的开发

文章共3,744字 · 阅读需要大约13分钟

一键AI生成摘要，助你高效阅读

问答

E寻数据

3351人浏览 · 2023-12-22 13:41:59

E寻数据 · 2023-12-22 13:41:59 发布

安装 Ultralytics（YOLOV8）

项目依赖（requirements.txt）

项目执行测试

总结

yolov8导航

如果大家想要了解关于yolov8的其他任务和相关内容可以点击这个链接，我这边整理了许多其他任务的说明博文，后续也会持续更新，包括yolov8模型优化、sam等等的相关内容。

YOLOv8（附带各种任务详细说明链接）

源码链接：GitHub - ultralytics/ultralytics: NEW - YOLOv8 🚀 in PyTorch > ONNX > OpenVINO > CoreML > TFLitehttps://github.com/ultralytics/ultralytics

如果小伙伴们不方便访问github进行下载，可以点击这里，我把源码给大家准备好了。【免费】YOLOV8-main基础项目源码资源-CSDN文库https://download.csdn.net/download/qq_42452134/88651936-------------------------------------------------------------------------------------------------------------------------

官方文档（国内直接访问可能比较卡）

快速开始 - Ultralytics YOLOv8 文档

环境要求建议

python3+、Anaconda3或Miniconda3

安装Ultralytics（YOLOV8）

Ultralytics提供了多种安装方法，包括pip、conda和Docker。通过ultralyticspip包安装最新稳定版的YOLOv8，或者克隆 Ultralytics GitHub仓库以获取最新版本。Docker可用于在隔离容器中执行包，避免本地安装。

pip安装

最简单直接的方式就是直接使用pip方法直接安装。

# 从PyPI安装ultralytics包
pip install ultralytics

也可以直接从GitHub仓库安装ultralytics包。如果你想要最新的开发版本，这可能会很有用。确保你的系统上安装了Git命令行工具。@main指令安装main分支，可修改为其他分支，如@my-branch，或完全删除，默认为main分支。

# 从GitHub安装ultralytics包
pip install git+https://github.com/ultralytics/ultralytics.git@main

Conda安装

Conda是pip的一个替代包管理器，也可用于安装。访问Anaconda了解更多详情，网址为 Ultralytics :: Anaconda.org。用于更新conda包的Ultralytics feedstock仓库位于GitHub - conda-forge/ultralytics-feedstock: A conda-smithy repository for ultralytics.。

# 使用conda安装ultralytics包
conda install -c conda-forge ultralytics

如果你在CUDA环境中安装，最佳实践是同时安装ultralytics、pytorch和pytorch-cuda，以便conda包管理器解决任何冲突，或者最后安装pytorch-cuda，让它必要时覆盖特定于CPU的pytorch包。

# 使用conda一起安装所有包
conda install -c pytorch -c nvidia -c conda-forge pytorch torchvision pytorch-cuda=11.8 ultralytics

Git克隆

如果您对参与开发感兴趣或希望尝试最新源代码，请克隆ultralytics仓库。克隆后，导航到目录并使用pip以可编辑模式-e安装包。

# 克隆ultralytics仓库
git clone https://github.com/ultralytics/ultralytics

# 进入克隆的目录
cd ultralytics

# 为开发安装可编辑模式下的包
pip install -e .

Docker安装

利用Docker轻松地在隔离的容器中执行ultralytics包，确保跨不同环境的一致性和流畅性能。通过选择一款官方ultralytics映像，从Docker Hub中不仅避免了本地安装的复杂性，还获得了对验证工作环境的访问。Ultralytics提供5种主要支持的Docker映像，每一种都为不同的平台和使用案例设计，以提供高兼容性和效率：

Dockerfile： 推荐用于训练的GPU映像。
Dockerfile-arm64： 为ARM64架构优化，允许在树莓派和其他基于ARM64的平台上部署。
Dockerfile-cpu： 基于Ubuntu的CPU版，适合无GPU环境下的推理。
Dockerfile-jetson： 为NVIDIA Jetson设备量身定制，整合了针对这些平台优化的GPU支持。
Dockerfile-python： 最小化映像，只包含Python及必要依赖，理想于轻量级应用和开发。
Dockerfile-conda： 基于Miniconda3，包含conda安装的ultralytics包。

以下是获取最新映像并执行它的命令：

# 将映像名称设置为变量
t=ultralytics/ultralytics:latest

# 从Docker Hub拉取最新的ultralytics映像
sudo docker pull $t

# 使用GPU支持运行ultralytics映像的容器
sudo docker run -it --ipc=host --gpus all $t  # 所有GPU
sudo docker run -it --ipc=host --gpus '"device=2,3"' $t  # 指定GPU

上述命令初始化了一个带有最新ultralytics映像的Docker容器。-it标志分配了一个伪TTY，并保持stdin打开，使您可以与容器交互。--ipc=host标志将IPC（进程间通信）命名空间设置为宿主，这对于进程之间的内存共享至关重要。--gpus all标志使容器内可以访问所有可用的GPU，这对于需要GPU计算的任务至关重要。要在容器中使用本地机器上的文件，请使用Docker卷将本地目录挂载到容器中：

# 将本地目录挂载到容器内的目录
sudo docker run -it --ipc=host --gpus all -v /path/on/host:/path/in/container $t

将/path/on/host更改为您本地机器上的目录路径，将/path/in/container更改为Docker容器内希望访问的路径。

项目依赖（requirements.txt）

项目下载之后，在本地会出现一个requirements.txt文件，这个就是项目所需要依赖的库。如果你安装的项目执行的时候存在环境冲突的情况，那么建议新建一个虚拟环境在部署项目，或者使用: pip install -r requirements.txt 的方法安装依赖覆盖掉之前的环境。

# Ultralytics requirements
# Example: pip install -r requirements.txt

# Base ----------------------------------------
matplotlib>=3.3.0
numpy>=1.22.2 # pinned by Snyk to avoid a vulnerability
opencv-python>=4.6.0
pillow>=7.1.2
pyyaml>=5.3.1
requests>=2.23.0
scipy>=1.4.1
torch>=1.8.0
torchvision>=0.9.0
tqdm>=4.64.0

# Logging -------------------------------------
# tensorboard>=2.13.0
# dvclive>=2.12.0
# clearml
# comet

# Plotting ------------------------------------
pandas>=1.1.4
seaborn>=0.11.0

# Export --------------------------------------
# coremltools>=7.0 # CoreML export
# onnx>=1.12.0 # ONNX export
# onnxsim>=0.4.1 # ONNX simplifier
# nvidia-pyindex # TensorRT export
# nvidia-tensorrt # TensorRT export
# scikit-learn==0.19.2 # CoreML quantization
# tensorflow>=2.4.1,<=2.13.1 # TF exports (-cpu, -aarch64, -macos)
# tflite-support
# jax<=0.4.21 # tensorflowjs bug https://github.com/google/jax/issues/18978
# jaxlib<=0.4.21 # tensorflowjs bug https://github.com/google/jax/issues/18978
# tensorflowjs>=3.9.0 # TF.js export
# openvino-dev>=2023.0 # OpenVINO export

# Extras --------------------------------------
psutil # system utilization
py-cpuinfo # display CPU info
thop>=0.1.1 # FLOPs computation
# ipython # interactive notebook
# albumentations>=1.0.3 # training augmentations
# pycocotools>=2.0.6 # COCO mAP
# roboflow

依赖项解释

Base Dependencies

matplotlib>=3.3.0: 用于数据可视化和绘图。
numpy>=1.22.2: 提供高性能的多维数组处理和数学函数。
opencv-python>=4.6.0: 用于图像处理和计算机视觉任务。
pillow>=7.1.2: 用于图像处理，是Python Imaging Library (PIL) 的一个更现代化的分支。
pyyaml>=5.3.1: 用于处理YAML文件，这在配置模型和数据时非常有用。
requests>=2.23.0: 用于发送HTTP请求，可能用于网络数据交互。
scipy>=1.4.1: 提供科学计算功能，包括统计、优化等。
torch>=1.8.0: PyTorch深度学习框架，YOLOv8的核心依赖。
torchvision>=0.9.0: 提供PyTorch用于计算机视觉的数据集、模型等。
tqdm>=4.64.0: 提供进度条，用于长时间运行的任务。

Logging (注释掉了)

tensorboard, dvclive, clearml, comet: 这些是用于实验跟踪和日志记录的工具，但在此依赖列表中被注释掉了。

Plotting

pandas>=1.1.4: 数据分析和操作的工具，通常与matplotlib结合使用。
seaborn>=0.11.0: 基于matplotlib的高级数据可视化库。

Export (大多注释掉了)

这部分包含了许多导出模型到其他格式（如CoreML、ONNX、TensorRT等）的依赖库，但大多被注释掉了。

Extras

psutil: 用于监控系统资源，如内存和CPU使用。
py-cpuinfo: 用于获取CPU的详细信息。
thop>=0.1.1: 用于计算模型的浮点运算次数（FLOPs）。

项目执行测试

当你的项目安装成功后，可以在命令行中执行以下命令测试项目是否能正常运行。

# 在命令行中执行以下命令测试项目是否正常安装成功
yolo predict model=yolov8n.pt imgsz=640 conf=0.25

在win中执行该命令，下图为执行成功的结果，runs\detect\predict 是程序执行输出的测试结果。

图片输出效果如下：

大家可以看到这个图片的时候，就说明咱们得项目环境没问题了。

总结

这篇博文是关于如何安装和使用Ultralytics的YOLOv8进行目标检测的全面指南。它涵盖了从环境搭建到项目测试的所有步骤，并提供了对官方文档的链接以及环境要求建议。博文通过详细的步骤和命令行示例，为用户提供了一个清晰的YOLOv8安装和测试流程。无论是对于初学者还是希望在现有系统上部署YOLOv8的开发者，这篇文章都提供了实用的信息。此外，文章还考虑到了不同操作系统和硬件配置，提供了不同的安装选项，以适应广泛的用户需求。如果有哪里写的不够清晰，小伙伴本可以给评论或者留言，我这边会尽快的优化博文内容，另外如有需要，我这边可支持技术答疑与支持。