一、资源下载
1.下载YOLOv8代码
github:YOLOv8-github
gitee:YOLOv8-gitee（推荐使用国内的gitee）
2.conda、cuda
如果没有安装conda，按照流程安装好conda，还要下载好符合自己电脑版本的CUDA 后续会用。
二、创建conda虚拟环境
1.打开conda窗口 进入到安装的YOLOv8界面
2.创建虚拟环境
conda create -n y8 python=3.8
输入下面命令查看是否创建成功
conda env list
激活，并进入环境
conda activate y8
3.下载ultralytics
使用清华镜像源
pip install ultralytics -i https://pypi.tuna.tsinghua.edu.cn/simple
4.下载训练模型
推荐yolov8s.pt或者yolov8n.pt，模型小，下载快，在gitee或者github下方readme里面，下载完成后，将模型放在主文件夹下，
YOLOv8 可以在命令行界面（CLI）中直接使用，使用yolov8自带经典图片进行测试：
首先cd进入yolov8主文件夹下，运行下面命令
无显卡驱动
yolo predict model=yolov8n.pt source='ultralytics/assets/bus.jpg' device=cpu有显卡驱动(看扩展的部分，安装gpu版本torch才能运行)
yolo predict model=yolov8n.pt source='ultralytics/assets/bus.jpg' device=0
这是cpu形式下的测试效果：
结果保存在runs\detect\中,结果如下图
5.配置gpu
方法一：
(1)首先打开命令栏输入nvcc -V，查看自己的cuda版本
(2)在使用nvidia-smi查看是否安装cuda，如果显示没有此命令则没有安装，去CUDA Toolkit Archive | NVIDIA Developer该网站，找到对应版本cuda和系统版本进行下载安装，具体安装步骤可以参考此教程【精选】CUDA安装及环境配置——最新详细版_abbrave的博客-CSDN博客
(3)安装完成后再次输入nvidia-smi出现下图即为成功。
(4)再去pytorch官网，下载对应cuda版本和操作系统的pytorch，如果找不到对应版本，可以安装低于电脑cuda版本的pytorch。
(5)例如图cuda11.1 在conda中创建的虚拟环境运行下面对应的pip安装，在安装命令后面加上-i https://pypi.douban.com/simple/ some-package 使用国内下载源进行下载大大减少下载时间，等他下载完，在当前conda安装环境输入pip list找到torch+torchaudio+torchvision三个包，如下图在版本后带有+cuxxx即为安装成功。
(6)输入下面代码进行测试，如果有多个显卡，在device=0，1，2…
yolo train data=data/data.yaml model=yolov8s.pt epochs=300 imgsz=640 batch=8 workers=0 device=0
可以运行，并且在运行时显示显卡型号即为成功。
方法二：
1.检查自己电脑的CUDA版本：
nvidia-smi
2.下载pytorch：
版本要求（小于等于cuda）：https://pytorch.org/get-started/previous-versions/
3.下载torch的gpu版本：
注意：在y8环境下下载
下载地址：http://download.pytorch.org/whl/torch_stable.html
版本讲解：
cu121/表示你在教程【GPU】1.当中官网上下载的cuda版本
torch-2.2.2%2Bcu121/表示刚才在pip list中查看的torch的版本
cp312-cp312表示你yolov8的环境python版本，如果按我的教程来的话为3.9
win-amd64.whl简而言之就是windows系统
下载后，在本地安装：
pip install 下载绝对路径
查看版本信息，注意cpu和gpu版本区别
pip list
出现如下版本信息即安装成功，注意版本！
方法三：
1.在清华源镜像中下载pytorch、torchvision、cuda92：
Index of /anaconda/cloud/pytorch/win-64/ | 清华大学开源软件镜像站 | Tsinghua Open Source Mirror
2. 一定要选择正确的版本，带有cpu的版本不要选择，这里选择的pytorch是1.4.0版本，torchvision是0.5.0版本，将上述压缩包复制到Anaconda安装文件夹下对应的pkgs文件夹下。
3.在第三步创建的新环境pytorch中安装下载好的压缩包
conda install D:\Anaconda\pkgs\cuda92-1.0-0.tar.bz2
conda install D:\Anaconda\pkgs\pytorch-1.4.0-py3.7_cuda92_cudnn7_0.tar.bz2
conda install D:\Anaconda\pkgs\torchvision-0.5.0-py37_cu92.tar.bz2
4.
到这一步，该环境已经搭建完成了，接下来将该环境加入到pycharm中，在file→Settings→Python Interpreter中点击右侧的齿轮，选择add->Existing environment，选择刚才创建好的pytorch环境，这里因为我已经创建好了，忘了截图，所以用一张别的博主的图给大家作演示：
5.验证是否安装正确，可以运行下面代码，看是否得到输出。
import torch
import numpy as np
test=np.array([[1,2,3,4],[5,6,7,8]])
x=torch.tensor(test)
print(x)
import torch
print(torch.cuda.is_available()) #输出为True，则安装无误
6.训练模型
方法一简略版：
首先在yolov8主文件夹内创建data文件夹，创建一个data.yaml文件：
这里需要转成yolov8训练集
train: xxx/xxx/images/train //xxx/xxx为训练集图片根目录地址，一定要是绝对路径
val: xxx/xxx/images/val
nc: 1 # 标签数量
names: ["1"]# 标签名称
目前很多数据集是以txt文件保存训练集，可以按照以下写法
train: xxx/xxx/train.txt //xxx/xxx为训练集图片根目录地址，一定要是绝对路径
val: xxx/xxx/val.txt
nc: 1 # class标签数量
names: ["1"] # class标签名称
conda在主文件夹下运行下面命令：
yolo train data=data/data.yaml model=yolov8s.pt epochs=300 imgsz=640 batch=8 workers=0 device=cpu
data为yaml配置文件
model为下载的模型，放在主文件下
epochs为训练轮数
imagez为训练时ai看到的图片大小，检查大图片建议使用640，小图片可以320 越大越吃性能
batch为一轮训练中每一次放入图片数量，越大越快效果越好，但是对性能要求越高
device为使用的设备，使用cpu练就写cpu，使用显卡大多数都是0，多显卡就0，1，2，3，...多少显卡往后写多少
方法二：文档
Segment - Ultralytics YOLO Docs
三、其他相关
1.将训练好的python文件转换成onnx文件
首先，确保你已经安装了 Ultralytics 的 YOLOv8 库以及 PyTorch 和 ONNX 库。如果没有安装，可以使用以下命令进行安装：
pip install ultralytics torch onnx
代码：
import torch
import onnx
from ultralytics import YOLO
# 加载训练好的模型
model = YOLO('yolov8.pt')
# 导出为 ONNX
model.export(format='onnx')
# 验证导出的 ONNX 模型
onnx_model = onnx.load("yolov8.onnx")
onnx.checker.check_model(onnx_model)
print("ONNX 模型已成功导出并验证。")
