一、环境要求
1、Python，版本要求>=3.7
2、PyTorch，版本要求>=1.7。PyTorch 是一个开源的深度学习平台，为人工智能研究提供了一个灵活的、易于使用的工具集。YOLOv8 是基于 PyTorch 框架实现的，所以需要安装 PyTorch。
3、CUDA和cuDNN（可选），如果要使用 GPU 进行训练的话需要安装。其中 CUDA 是由显卡厂商NVIDIA推出的运算平台与编程模型，它允许程序员利用NVIDIA GPU的并行计算能力，加速各种计算密集型应用程序；而 cuDNN 是 NVIDIA 推出的一个用于深度学习的 GPU 加速库，全称是NVIDIA CUDA 深度神经网络库 。它的主要功能和优势在于提供了一系列针对深度学习的高性能原语，如卷积、池化、归一化等。这些原语经过高度优化，能够充分利用 GPU 的并行计算能力，从而显著加速深度学习的计算过程。
二、环境安装
为了避免不同项目之间的依赖包产生冲突、相互影响，推荐使用 Anaconda 来管理 Python 环境。Anaconda3 是一个开源的 Python 发行版，旨在简化包管理和部署数据分析环境。Anaconda3 允许用户轻松创建和管理多个独立的 Python 环境，以便在不同的项目中使用不同版本的Python和不同的库；Anaconda3 还集成了一个强大的包管理器，用户可以通过简单的命令行操作来安装、更新和卸载各种Python库，从而方便地管理自己所需的库。所以先从 Anaconda3 的安装开始记录。
1、安装 Anaconda3
1.1、下载
官网地址：Distribution | Anaconda
阿里云盘：阿里云盘分享
1.2、 安装
推荐默认安装，一路 Next，唯一需要注意的就是在第五步时把添加环境变量的选项勾选上，后期自己配置麻烦且容易出现难以排查的错误。
2、安装 Python 3.11.9
2.1、在开始菜单中找到并打开 Anaconda 的命令行工具，Anaconda Powershell Prompt 或者 Anaconda Prompt 均可。
2.2、输入命令创建虚拟机环境，在创建虚拟机的同时也会下载安装 Python 3.11.9。
conda create –n yolov8 python=3.11.92.3、激活虚拟机环境。
conda activate yolov82.4、查看当前环境列表，确认虚拟机是否激活（即查看 * 号在哪个虚拟机环境上）。
conda env list
3、安装 PyTorch
3.1、在第 2 步中打开的 Anaconda 命令行工具中输入命令安装。
conda install pytorch torchvision torchaudio pytorch-cuda=11.8 -c pytorch -c nvidia 3.2、这个命令是在 PyTorch 官网根据机器的实际情况自动生成的。
3.3、需要注意的是 CUDA 的选择，这个要根据你有没有 GPU 以及 CUDA 所支持的最高版本来决定。不使用 GPU 的直接点击 CPU 选项，使用 GPU 则需要查询机器所支持的 CUDA 最高版本。可以通过 Windows 自带的 CMD 命令行工具输入命令进行查询。
nvidia-smi
3.4、 最后可以通过 Anaconda 命令行工具查看已安装依赖来查看是否安装成功。
4、安装 CUDA、cuDNN
4.1、下载 CUDA
官网地址：CUDA Toolkit 12.0 Downloads | NVIDIA Developer
阿里云盘：阿里云盘不支持 CUDA 文件格式的分享，就没法提供了
4.2、安装 CUDA
推荐默认安装，一路"下一步"。如果是自定义安装的话记住自定义安装路径，配置环境变量和安装 cuDNN 会需要用到。
4.3、可以通过 Windows 自带的 CMD 命令行工具输入命令 查看是否安装成功
nvcc -V
或者
nvcc --version
4.4、下载 CUDA 对应版本的 cuDNN
官网地址：cuDNN Archive | NVIDIA Developer
阿里云盘：阿里云盘不支持 cuDNN 文件格式的分享，就没法提供了
4.5、解压压缩包，复制 bin、include、lib 三个文件夹
4.6、找到 CUDA 的安装目录，如果是默认安装的话应该在 “C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v安装的版本号”，将复制的三个文件夹粘贴到这个位置
由于篇幅原因，Python 集成开发环境 PyCharm 的安装，以及编写一小段代码调用测试 YOLOv8 提供的 API 将在本地运行测试 YOLOv8（20240423）-CSDN博客记录。
