【深度学习之YOLO8】环境部署

16 次阅读 预计阅读时间: 15 分钟

n

Ultralytics YOLOv8 是一款前沿、最先进（SOTA）的模型，基于先前 YOLO 版本的成功，引入了新功能和改进，进一步提升性能和灵活性。YOLOv8 设计快速、准确且易于使用，使其成为各种物体检测与跟踪、实例分割、图像分类和姿态估计任务的绝佳选择。

nnnnnnnn
nnnn

除了拉取代码不需要验证，其他都需要自己check下到底是不是真安装成功了

nnnn

一、确定版本

nnnn

CUDA toolkit、cuDNN版本

nnnn
nnnn

查看显卡的CUDA支持的最高版本，我的是12.2.79，后面安装的CUDA toolkit和cuDNN大版本不能超过它

nnnn
nnnn

进PyTorch官网，查看支持的CUDA最高版本，即：我的电脑torch是最高支持11.8的CUDA

nnnn

由以上两点，得出安装的CUDA、cuDNN不能超11.8，那我后面这俩安装<=11.8

nnnn

Python、PyTorch版本

nnnn

torch、python各版本兼容表

nnnn
torchtorchvisionPython
main / nightlymain / nightly>=3.8, <=3.11
2.00.15>=3.8, <=3.11
1.130.14>=3.7.2, <=3.10
1.120.13>=3.7, <=3.10
1.110.12>=3.7, <=3.10
1.100.11>=3.6, <=3.9
1.90.10>=3.6, <=3.9
1.80.9>=3.6, <=3.9
1.70.8>=3.6, <=3.9
1.60.7>=3.6, <=3.8
1.50.6>=3.5, <=3.8
1.40.5==2.7, >=3.5, <=3.8
1.30.4.2 / 0.4.3==2.7, >=3.5, <=3.7
1.20.4.1==2.7, >=3.5, <=3.7
1.10.3==2.7, >=3.5, <=3.7
<=1.00.2==2.7, >=3.5, <=3.7
nnnn

上面有CUDA、cuDNN版本<=11.8

nnnn

再在进PyTorch官网，预览一下DUDA<=11.8的有哪些

nnnn
n
nnnn
n
nnnn

考虑到后面可能会用到其他组件，相互兼容的不是特别及时，所以我选了11.6的CUDA，看到PyTorch有1.13.0支持CUDA11.6的，那么在上面 torch、python各版本兼容情况表 里可以得出：我的电脑CUDA、duDNN、PyTorch它们三个，和Python互相兼容的py版本范围是3.7.2 ~ 3.10
所以，py版本不宜过高，基本都是向下兼容，YOLO5的默认SDK版本是3.7，YOLO8的默认SDK版本是3.8最终版本选择

nnnn
名版本号
Python3.8.0
CUDA toolkit11.6.0
cuDNN11.x
PyTorch1.13.0
TorchAudio0.13.0
TorchVision0.14.0
nnnn

二、安装Python

nnnn

下载

nnnn

已经有Python的需要卸载干净，去官网找自己对应版本的安装包(要卸载哪个就找哪个版本的exe安装包)，比如找3.8.0的，下载运行点击Uninstall进行卸载

nnnn
n
nnnn
nnnn
n
nnnn

电脑无Python残留，或没有安装过Python，进官网版本列表下载自己要的版本，一路确认即可，尽量是不要安在有中文的路径下，后面的安装也是

nnnn

环境变量

nnnn

将Python安装目录和里面的Scripts文件夹路径放在Path里

nnnn
n
nnnn
nnnn
n
nnnn
C:\Users\Administrator\AppData\Local\Programs\Python\Python38nC:\Users\Administrator\AppData\Local\Programs\Python\Python38\Scripts
nnnn

验证安装

nnnn

win+r后键入cmd确认，出现版本号

nnnn
python -Vn或者npython --versionn
nnnn
nnnn

三、安装Anaconda

nnnn
n

一个易于安装的包管理器、环境管理器和 Python 发行版，包含 1,500 多个开源包，并提供 免费社区支持。Anaconda与平台无关，因此无论在Windows、macOS还是Linux上都可以使用它，与它类似的有pip。

n
nnnn

安装

nnnn

进Anaconda官网，点下载，无脑下一步即可

nnnn

环境变量

nnnn

将以下四个路径添加进Path

nnnn
nnnn

验证安装

nnnn
conda -V
nnnn

创建conda虚拟环境

nnnn

后面的操作都是基于这个虚拟环境，最好是用管理员打开终端

nnnn
n

CommandNotFoundError: Your shell has not been properly configured to use ‘conda activate
第一次激活环境，可能有这个错误，根据提示使用conda init，重启cmd。或者使用source activate env_name使环境可用。

n
nnnn
# 创建虚拟环境nconda create -n yolov8 python=3.8.0n# 激活虚拟环境(切换至这个环境)nconda activate yolov8n# 查看已创建的虚拟环境nconda info -e
nnnn

常用命令

nnnn
# 查看版本nconda --version # 或者 conda -Vn# 更新condanconda update condan# 更新Anacondanconda update Anacondan# 查看环境配置nconda config --shown# 查看安装了哪些包nconda listn# 查看Anaconda仓库有没有这个想要的包nconda search package_namen# 新增镜像channelnconda config --add channels mirrors_urln# 移除镜像channelnconda config --add channels mirrors_urln# 查看配了哪些镜像channelnconda config --show channelsn# 设置清华镜像nconda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/nconda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/nconda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge/nconda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/bioconda/n# 设置biocondanconda config --add channels biocondanconda config --add channels conda-forgen# 设置搜索时显示通道地址nconda config --set show_channel_urls yesn# 创建虚拟环境nconda create -n env_name python=3.8n# 查看虚拟环境nconda env list #或conda info -e 或conda info --envsn# 激活虚拟环境nconda activate env_namen# 退出当前虚拟环境nconda deactivaten# 删除虚拟环境nconda remove -n env_name --alln# 安装包(在当前虚拟环境)nconda install package_name=package_versionn# 更新包(在当前虚拟环境)nconda update package_namen# 删除包(在当前虚拟环境)nconda remove --name env_name  package_namen# 卸载包nconda uninstall package_namen# 增量卸载包(如果有虚拟环境在用，会跳过这个小包，就是不全卸载)nconda uninstall package_name --forcen# 删除没有在用的包nconda clean -pn# 清理缓存nconda clean -y -alln# 变更Python版本nconda install python=3.5 #升级到最新版conda update pythonn# 查看配置文件地址 (默认`C:\Users\用户名\.condarc`)nconda info #user config file那行n# conda初始化nconda init
nnnn

四、安装CUDA toolkit

nnnn

下载

nnnn

官网下载，跳转翻阅之前版本，找到CUDA-11.6.0下载

nnnn
n
nnnn
nnnn
n
nnnn

安装，注意下面两步，其他默认

nnnn
n
nnnn
n
nnnn

环境变量

nnnn

默认安装在：C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.6
Path加入下面这5个路径（安装默认配了bin和libnvvp）。

nnnn
nnnn

验证安装

nnnn

cmd窗口输入：nvcc -V

nnnn
nnnn

或者
cmd切换CUDA安装目录，进extras/demo_suite目录，依次执行里面的bandwidthTest.exe和deviceQuery.exe，结果显示PASS即是成功

nnnn
nnnn

五、配置cuDNN

nnnn
n

通俗点讲，cuDNN就是CUDA toolkit的一个补丁，深度学习需要这个补丁才能使用API驱动GPU的CUDA

n
nnnn

下载

nnnn

进官网，需要登陆NVIDIA账号，并且注册成开发者，完成后进入下载界面

nnnn
nnnn

解压，全选复制，黏贴到CUDA安装目录，全部"是"即可

nnnn
nnnn
nnnn

验证配置

nnnn

cuDNN的验证放在后面

nnnn

六、安装PyTorch(torch+torchversion+torchaudio)

nnnn
n

一种开源深度学习框架，以出色的灵活性和易用性著称。

n
nnnn

下载

nnnn

打开cmd，进入之前创建的虚拟环境yolov8，复制torch官网conda语句，安装PyTorch

nnnn
nnnn

官网安装PyTorch语句在这，一定要看好自己需要哪个torch版本、cuda版本

nnnn
conda activate yolov8n# -c pytorch可以去掉，即不指定pytorch官方channel下载，国内快一点nconda install pytorch==1.13.0 torchvision==0.14.0 torchaudio==0.13.0 pytorch-cuda=11.6 -c nvidian# 或者pip下载 (2选1)npip install torch==1.13.0+cu116 torchvision==0.14.0+cu116 torchaudio==0.13.0 --extra-index-url https://download.pytorch.org/whl/cu116
nnnn

如果有CondaHTTPError: HTTP 000 CONNECTION FAILED for url ...的错误， 修改conda配置文件，把下面内容全部替换掉原来的，重启命令行，进环境再install一下
配置文件默认地址C:\Users\{用户名}\.condarc

nnnn
show_channel_urls: truenchannels:n  - http://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/n  - http://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/n  - http://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/nssl_verify: false
nnnn
    n
  • channels：镜像源
    • nnnn
  • ssl_verify：关闭SSL安全认证
    • nnnn
  • show_channel_urls：从channel安装某个包时，显示channel的url
    • n
nnnn

验证torch安装

nnnn

官方验证，进cmd，进python环境，输入下面三行，看打印结果

nnnn
import torchnx = torch.rand(5, 3)nprint(x)n# 样例输出ntensor([[0.3380, 0.3845, 0.3217],n        [0.8337, 0.9050, 0.2650],n        [0.2979, 0.7141, 0.9069],n        [0.1449, 0.1132, 0.1375],n        [0.4675, 0.3947, 0.1426]])
nnnn
nnnn

七、环境测试

nnnn
n

我使用的是IDEA，也可以用PyCharm，下面是用PyCharm演示

n
nnnn

部署测试环境

nnnn

先不新建项目，打开之前拉取下拉的yolo8 GitHub项目，配下上面新建的conda环境yolov8，查看虚拟环境放哪了可以用conda info -e

nnnn
nnnn

拉取后打开Pycharm，给这个项目配下上面创建的conda虚拟环境yolov8

nnnn
nnnn
nnnn
nnnn

左下角终端打开，安装项目依赖

nnnn
pip install -r requirements.txt
nnnn
nnnn
nnnn

验证cuDNN

nnnn

打开后新建一个自定义文件夹，new一个py文件，贴上以下代码，运行查看结果

nnnn
import torchn# 查看pytorch版本nprint(f'pytorch版本: {torch.version.__version__}')n# 查看显卡GPU是否可用nprint(f'GPU是否可用: {torch.cuda.is_available()}')n# 查看GPU可用数nprint(f'GPU可用数: {torch.cuda.device_count()}')n# 查看CUDA版本nprint(f'CUDA版本: {torch.version.cuda}')n# 查看CUDA-cuDNN版本nprint(f'cuDNN版本: {torch.backends.cudnn.version()}')nquit()
nnnn

如果你看到GPU可用为True，那cuDNN就是安装成功了，此时环境就是GPU版本的了

nnnn
nnnn

验证YOLOv8

nnnn

这时就可能用到这个官网中文README。使用方式有两种，命令行(CLI) 和 Python代码

nnnn
CLI
nnnn

在项目里有个图片ultralytics/assets/bus.jpg，可以使用yolov8n.pt模型对这个图片做一个简单的推理

nnnn
# 需要先安好这个库npip install ultralyticsnyolo predict model=yolov8n.pt source='可以填文件绝对路径或者网络上的图片url'
nnnn
nnnn

推理结果保存在了runs\detect\predict，我在C:\Users\Administrator>执行的这个命令，所以文件在C:\Users\Administrator\runs\detect\predict

nnnn
nnnn
Python Code
nnnn
from ultralytics import YOLOn# 加载模型n# model = YOLO("yolov8n.yaml")  # 从头开始构建新模型nmodel = YOLO("yolov8n.pt")  # 加载预训练模型（建议用于训练）n# 使用模型n# model.train(data="coco128.yaml", epochs=3)  # 训练模型nmetrics = model.val()  # 在验证集上评估模型性能nresults = model(source='ultralytics/assets/bus.jpg')  # 对图像进行预测nresults.print()  # 打印结果n# success = model.export(format="onnx")  # 将模型导出为 ONNX 格式
nnnn

第一次运行此代码需要下载coco的标签包，要等待好长时间，结果例子如下，没有报错环境就部署成功了

nnnn
Speed: 0.2ms preprocess, 3.1ms inference, 0.0ms loss, 0.7ms postprocess per imagenResults saved to runs\detect\val7nimage 1/1 D:\GitProjects\ultralytics\ultralytics\assets\bus.jpg: 640x480 4 persons, 1 bus, 23.9msnSpeed: 2.0ms preprocess, 23.9ms inference, 2.0ms postprocess per image at shape (1, 3, 640, 480)nUltralytics YOLOv8.0.138  Python-3.9.13 torch-1.13.0+cu116 CPU (Intel Core(TM) i9-9900K 3.60GHz)nPyTorch: starting from runs\detect\train11\weights\best.pt with input shape (1, 3, 640, 640) BCHW and output shape(s) (1, 84, 8400) (6.2 MB)nONNX: starting export with onnx 1.14.0 opset 16...nONNX: export success  0.7s, saved as runs\detect\train11\weights\best.onnx (12.2 MB)nExport complete (2.2s)nResults saved to D:\GitProjects\ultralytics\runs\runs\detect\train11\weightsnPredict:         yolo predict task=detect model=runs\detect\train11\weights\best.onnx imgsz=640 nValidate:        yolo val task=detect model=runs\detect\train11\weights\best.onnx imgsz=640 data=D:\GitProjects\ultralytics\ultralytics\cfg\datasets\coco128.yaml nVisualize:       https://netron.appn进程已结束,退出代码0
nnnn

八、可能出现的问题

nnnn

乱码提示需要运行pip install --no-cache "py-cpuinfo"，在这可能需要先更新pip，按照提示即可

nnnn
nnnn

九、附yolo命令参数解释

nnnn

GitHub官方对所有参数的解释

nnnn

task

nnnn
    n
  • detect：指定任务为目标检测，即通过模型识别图像或视频中的物体，然后在图像上标注出它们的位置。
    • nnnn
  • classify：指定任务为图像分类，即通过模型将图像分为不同的类别。
    • nnnn
  • segment：指定任务为图像分割，即将图像分割为不同的区域，并为每个区域分配一个标签。
    • n
nnnn

mode

nnnn
    n
  • train：指定模式为训练模式，用于训练模型。
    • nnnn
  • predict：指定任务为预测，即使用训练好的模型对新的图像进行预测。
    • nnnn
  • val：指定验证模式，用于评估模型在验证集上的性能。
    • nnnn
  • export：指定任务为导出模型，即将训练好的模型导出到其他格式，如ONNX。
    • n
nnnn

model

nnnn
    n
  • yolov8n.pt：指定模型的文件名或路径，其中yolov8n.pt表示模型的文件名。
    • nnnn
  • yolov8n-cls.yaml：指定用于图像分类的模型配置文件的文件名或路径。
    • nnnn
  • yolov8n-seg.yaml：指定用于图像分割的模型配置文件的文件名或路径。
    • n
nnnn
dataNone数据文件路径，例如 coco128.yaml
imgsz640图像尺寸，可以是一个标量或 (h, w) 的列表，例如 (640, 480)
batch16每个批次的图像数（-1 表示自动批处理）
save_jsonFALSE是否将结果保存为 JSON 文件
save_hybridFALSE是否保存标签的混合版本（标签 + 额外的预测结果）
conf0.001目标置信度阈值，用于检测
iou0.6NMS（非最大抑制）的交并比阈值
max_det300每张图像的最大检测数
halfTRUE是否使用半精度（FP16）
deviceNone运行模型的设备，例如 cuda device=0/1/2/3 或 device=cpu
dnnFALSE是否使用 OpenCV DNN 进行 ONNX 推断
plotsFALSE训练过程中是否显示图表
rectFALSE针对最小填充的每个批次进行矩形验证
splitval用于验证的数据集拆分，例如 'val'、'test' 或 'train'
n
最后更新于 2023-08-01