从零部署YOLOv8：一份面向新手的超详细环境配置与首次推理指南

1. 环境准备从零搭建YOLOv8开发环境第一次接触YOLOv8可能会觉得有点懵别担心跟着我一步步来。我去年第一次部署YOLOv7时踩了不少坑这次YOLOv8的部署过程就顺畅多了。咱们先从最基础的环境搭建开始确保你的Windows电脑能跑起来这个强大的目标检测模型。首先需要准备两个关键工具Anaconda和PyTorch。Anaconda能帮我们创建独立的Python环境避免各种包版本冲突。我强烈建议新手都使用Anaconda来管理Python环境这能省去很多麻烦。PyTorch则是YOLOv8运行的底层框架没有它模型就跑不起来。注意如果你的电脑没有独立显卡GPU完全不用担心。YOLOv8支持纯CPU运行只是速度会慢一些。我测试过在i7-10700的CPU上检测一张图片大约需要2-3秒完全够学习使用。安装Anaconda时有个小技巧记得勾选Add Anaconda to my PATH environment variable选项。虽然官方不建议这么做但实测发现勾选后使用更方便。安装完成后在开始菜单找到Anaconda Powershell Prompt这是我们后续所有操作的主战场。2. 获取YOLOv8源码与创建虚拟环境2.1 下载YOLOv8源码YOLOv8的源码现在托管在Ultralytics的GitHub仓库。我建议直接在浏览器访问他们的官方仓库下载这样能确保获取到最新版本。下载后你会得到一个zip压缩包解压到D盘新建的yolov8文件夹里。我习惯把这类项目都放在D盘这样重装系统时不会丢失。如果你熟悉git也可以使用git clone命令获取源码git clone https://github.com/ultralytics/ultralytics.git2.2 创建Python虚拟环境打开Anaconda Powershell Prompt输入以下命令创建专用环境conda create -n yolov8 python3.9 -y这里我推荐使用Python 3.9而不是原文中的3.7因为3.9对PyTorch的支持更好。加上-y参数会自动确认省去手动输入y的步骤。创建完成后激活环境conda activate yolov8看到命令行前缀变成(yolov8)就说明成功了。这个环境就像是一个干净的沙盒我们后续的所有操作都在这里面进行不会影响系统其他Python项目。3. 配置开发环境与安装依赖3.1 设置国内镜像源直接安装PyTorch可能会很慢我们先换成清华源加速下载pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/ conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/ conda config --set show_channel_urls yes这几行命令分别设置了pip和conda的镜像源。我在公司网络测试过换源后下载速度能从几十KB/s提升到几MB/s。3.2 安装PyTorch CPU版本对于没有GPU的电脑安装CPU版本的PyTorch就够了pip install torch torchvision torchaudio这个命令会安装PyTorch及其相关库的最新稳定版。如果你想安装特定版本可以去PyTorch官网生成对应的安装命令。我建议新手先用最新版兼容性问题更少。安装完成后可以验证一下python -c import torch; print(torch.__version__)如果输出版本号没有报错说明安装成功。3.3 安装其他依赖包进入之前解压的YOLOv8源码目录cd D:\yolov8\ultralytics-main然后安装requirements.txt中列出的所有依赖pip install -r requirements.txt这个过程可能会花费几分钟时间。如果某个包安装失败可以单独pip install它。我遇到过几次opencv-python安装失败的情况通常重试一两次就能成功。4. 运行第一个目标检测示例4.1 下载预训练模型YOLOv8提供了多个预训练模型我们从最简单的yolov8n.pt开始wget https://github.com/ultralytics/assets/releases/download/v0.0.0/yolov8n.pt如果wget不可用也可以直接浏览器下载然后放到ultralytics-main/ultralytics/yolo/v8/detect目录下。4.2 运行图片检测现在可以尝试检测示例图片了python ultralytics/yolo/v8/detect/predict.py modelyolov8n.pt sourceultralytics/assets/bus.jpg这个命令会使用我们下载的yolov8n.pt模型检测bus.jpg图片。第一次运行会稍微慢一点因为要加载模型。检测结果默认保存在runs/detect目录下。打开生成的图片你会看到所有检测到的物体都用方框标出来了还标注了类别和置信度。我第一次看到这个结果时特别兴奋感觉像是打开了计算机视觉的新世界。4.3 尝试检测自己的图片把你想检测的图片放到assets文件夹里然后修改source参数python ultralytics/yolo/v8/detect/predict.py modelyolov8n.pt sourceultralytics/assets/your_image.jpg我试过检测家里的猫的照片准确率相当不错。你也可以试试不同场景观察模型的表现。5. 常见问题排查与优化建议5.1 安装失败问题解决如果遇到包安装失败首先检查网络连接。然后可以尝试升级pippython -m pip install --upgrade pip清除缓存pip cache purge指定较低版本的包pip install packageversion我特别记录了几个容易出问题的包及其稳定版本numpy1.23.5opencv-python4.7.0.72torchvision0.15.25.2 提高检测速度的小技巧在CPU上运行YOLOv8确实比较慢这里有几个优化建议使用更小的模型yolov8n.pt是最轻量级的还有yolov8s.pt、yolov8m.pt等逐渐增大的版本减小输入图片尺寸在predict.py中修改imgsz参数关闭不必要的后处理如设置verboseFalse5.3 进阶学习路径成功运行官方示例后你可以尝试在自己的数据集上微调模型尝试视频流实时检测将模型导出为ONNX格式学习使用YOLOv8的Python API我在项目中使用YOLOv8检测工业零件发现它的准确率比之前的YOLOv5有明显提升。特别是对小物体的检测效果改善很多这要归功于它的新架构设计。