【深度学习之YOLO8】环境部署

这篇具有很好参考价值的文章主要介绍了【深度学习之YOLO8】环境部署。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

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。

  • Python SDK Download
  • Ultralytics YOLOv8 GitHub
  • PyTorch GitHub
  • NVIDIA CUDA toolkit Download
  • NVIDIA cuDNN Download
  • Anaconda Download

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

一、确定版本

CUDA toolkit、cuDNN版本

  1. 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
    【深度学习之YOLO8】环境部署,深度学习,python,算法,pytorch,边缘计算
  2. 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
    【深度学习之YOLO8】环境部署,深度学习,python,算法,pytorch,边缘计算

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

Python、PyTorch版本

torch、python各版本兼容情况表

torch torchvision Python
main / nightly main / nightly >=3.8, <=3.11
2.0 0.15 >=3.8, <=3.11
1.13 0.14 >=3.7.2, <=3.10
1.12 0.13 >=3.7, <=3.10
1.11 0.12 >=3.7, <=3.10
1.10 0.11 >=3.6, <=3.9
1.9 0.10 >=3.6, <=3.9
1.8 0.9 >=3.6, <=3.9
1.7 0.8 >=3.6, <=3.9
1.6 0.7 >=3.6, <=3.8
1.5 0.6 >=3.5, <=3.8
1.4 0.5 ==2.7, >=3.5, <=3.8
1.3 0.4.2 / 0.4.3 ==2.7, >=3.5, <=3.7
1.2 0.4.1 ==2.7, >=3.5, <=3.7
1.1 0.3 ==2.7, >=3.5, <=3.7
<=1.0 0.2 ==2.7, >=3.5, <=3.7

上面有CUDA、cuDNN版本<=11.8

再在进PyTorch官网,预览一下DUDA<=11.8的有哪些

【深度学习之YOLO8】环境部署,深度学习,python,算法,pytorch,边缘计算【深度学习之YOLO8】环境部署,深度学习,python,算法,pytorch,边缘计算

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
版本号
Python 3.8.0
CUDA toolkit 11.6.0
cuDNN 11.x
PyTorch 1.13.0
TorchAudio 0.13.0
TorchVision 0.14.0

二、安装Python

下载

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

【深度学习之YOLO8】环境部署,深度学习,python,算法,pytorch,边缘计算【深度学习之YOLO8】环境部署,深度学习,python,算法,pytorch,边缘计算【深度学习之YOLO8】环境部署,深度学习,python,算法,pytorch,边缘计算

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

环境变量

将Python安装目录和里面的Scripts文件夹路径放在Path里

【深度学习之YOLO8】环境部署,深度学习,python,算法,pytorch,边缘计算【深度学习之YOLO8】环境部署,深度学习,python,算法,pytorch,边缘计算【深度学习之YOLO8】环境部署,深度学习,python,算法,pytorch,边缘计算
C:\Users\Administrator\AppData\Local\Programs\Python\Python38
C:\Users\Administrator\AppData\Local\Programs\Python\Python38\Scripts

验证安装

win+r后键入cmd确认,出现版本号

python -V
或者
python --version

【深度学习之YOLO8】环境部署,深度学习,python,算法,pytorch,边缘计算

三、安装Anaconda

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。

安装

进Anaconda官网,点下载,无脑下一步即可

环境变量

将以下四个路径添加进Path
【深度学习之YOLO8】环境部署,深度学习,python,算法,pytorch,边缘计算

验证安装

conda -V

创建conda虚拟环境

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

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。

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

常用命令

# 查看版本
conda --version # 或者 conda -V
# 更新conda
conda update conda
# 更新Anaconda
conda update Anaconda
# 查看环境配置
conda config --show
# 查看安装了哪些包
conda list
# 查看Anaconda仓库有没有这个想要的包
conda search package_name
# 新增镜像channel
conda config --add channels mirrors_url
# 移除镜像channel
conda config --add channels mirrors_url
# 查看配了哪些镜像channel
conda config --show channels
# 设置清华镜像
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 --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/bioconda/
# 设置bioconda
conda config --add channels bioconda
conda config --add channels conda-forge
# 设置搜索时显示通道地址
conda config --set show_channel_urls yes
# 创建虚拟环境
conda create -n env_name python=3.8
# 查看虚拟环境
conda env list #或conda info -e 或conda info --envs
# 激活虚拟环境
conda activate env_name
# 退出当前虚拟环境
conda deactivate
# 删除虚拟环境
conda remove -n env_name --all
# 安装包(在当前虚拟环境)
conda install package_name=package_version
# 更新包(在当前虚拟环境)
conda update package_name
# 删除包(在当前虚拟环境)
conda remove --name env_name  package_name
# 卸载包
conda uninstall package_name
# 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)
conda uninstall package_name --force
# 删除没有在用的包
conda clean -p
# 清理缓存
conda clean -y -all
# 变更Python版本
conda install python=3.5 #升级到最新版conda update python
# 查看配置文件地址 (默认`C:\Users\用户名\.condarc`)
conda info #user config file那行
# conda初始化
conda init

四、安装CUDA toolkit

下载

官网下载,跳转翻阅之前版本,找到CUDA-11.6.0下载

【深度学习之YOLO8】环境部署,深度学习,python,算法,pytorch,边缘计算【深度学习之YOLO8】环境部署,深度学习,python,算法,pytorch,边缘计算【深度学习之YOLO8】环境部署,深度学习,python,算法,pytorch,边缘计算
安装,注意下面两步,其他默认
【深度学习之YOLO8】环境部署,深度学习,python,算法,pytorch,边缘计算【深度学习之YOLO8】环境部署,深度学习,python,算法,pytorch,边缘计算
## 环境变量

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)。
【深度学习之YOLO8】环境部署,深度学习,python,算法,pytorch,边缘计算

验证安装

cmd窗口输入:nvcc -V
【深度学习之YOLO8】环境部署,深度学习,python,算法,pytorch,边缘计算

或者
cmd切换CUDA安装目录,进extras/demo_suite目录,执行里面的bandwidthTest.exe,再执行deviceQuery.exe,结果显示PASS即是成功
【深度学习之YOLO8】环境部署,深度学习,python,算法,pytorch,边缘计算

五、配置cuDNN

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

下载

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
【深度学习之YOLO8】环境部署,深度学习,python,算法,pytorch,边缘计算

解压,全选复制,黏贴到CUDA安装目录,全部"是"即可

【深度学习之YOLO8】环境部署,深度学习,python,算法,pytorch,边缘计算【深度学习之YOLO8】环境部署,深度学习,python,算法,pytorch,边缘计算
## 验证配置 cuDNN的验证放在后面

六、安装PyTorch(torch+torchversion+torchaudio)

一种开源深度学习框架,以出色的灵活性和易用性著称。

下载

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

【深度学习之YOLO8】环境部署,深度学习,python,算法,pytorch,边缘计算
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

conda activate yolov8
# -c pytorch可以去掉,即不指定pytorch官方channel下载,国内快一点
conda install pytorch==1.13.0 torchvision==0.14.0 torchaudio==0.13.0 pytorch-cuda=11.6 -c nvidia
# 或者pip下载 (2选1)
pip install torch==1.13.0+cu116 torchvision==0.14.0+cu116 torchaudio==0.13.0 --extra-index-url https://download.pytorch.org/whl/cu116

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

show_channel_urls: true
channels:
  - http://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/
  - http://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
  - http://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
ssl_verify: false

channels:镜像源
ssl_verify:关闭SSL安全认证
show_channel_urls:从channel安装某个包时,显示channel的url

验证torch安装

官方验证,进cmd,进python环境,输入下面三行,看打印结果

import torch
x = torch.rand(5, 3)
print(x)

# 样例输出
tensor([[0.3380, 0.3845, 0.3217],
        [0.8337, 0.9050, 0.2650],
        [0.2979, 0.7141, 0.9069],
        [0.1449, 0.1132, 0.1375],
        [0.4675, 0.3947, 0.1426]])

【深度学习之YOLO8】环境部署,深度学习,python,算法,pytorch,边缘计算

七、环境测试

我使用的是IDEA,也可以用PyCharm,下面是用PyCharm演示

部署测试环境

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
【深度学习之YOLO8】环境部署,深度学习,python,算法,pytorch,边缘计算

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

【深度学习之YOLO8】环境部署,深度学习,python,算法,pytorch,边缘计算【深度学习之YOLO8】环境部署,深度学习,python,算法,pytorch,边缘计算【深度学习之YOLO8】环境部署,深度学习,python,算法,pytorch,边缘计算

左下角终端打开,安装项目依赖

pip install -r requirements.txt
【深度学习之YOLO8】环境部署,深度学习,python,算法,pytorch,边缘计算【深度学习之YOLO8】环境部署,深度学习,python,算法,pytorch,边缘计算

验证cuDNN

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

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

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
【深度学习之YOLO8】环境部署,深度学习,python,算法,pytorch,边缘计算

验证YOLOv8

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

CLI

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

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

【深度学习之YOLO8】环境部署,深度学习,python,算法,pytorch,边缘计算

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

【深度学习之YOLO8】环境部署,深度学习,python,算法,pytorch,边缘计算

Python Code

from ultralytics import YOLO

# 加载模型
# model = YOLO("yolov8n.yaml")  # 从头开始构建新模型
model = YOLO("yolov8n.pt")  # 加载预训练模型(建议用于训练)

# 使用模型
# model.train(data="coco128.yaml", epochs=3)  # 训练模型
metrics = model.val()  # 在验证集上评估模型性能
results = model(source='ultralytics/assets/bus.jpg')  # 对图像进行预测
results.print()  # 打印结果
# success = model.export(format="onnx")  # 将模型导出为 ONNX 格式

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

Speed: 0.2ms preprocess, 3.1ms inference, 0.0ms loss, 0.7ms postprocess per image
Results saved to runs\detect\val7

image 1/1 D:\GitProjects\ultralytics\ultralytics\assets\bus.jpg: 640x480 4 persons, 1 bus, 23.9ms
Speed: 2.0ms preprocess, 23.9ms inference, 2.0ms postprocess per image at shape (1, 3, 640, 480)
Ultralytics YOLOv8.0.138  Python-3.9.13 torch-1.13.0+cu116 CPU (Intel Core(TM) i9-9900K 3.60GHz)

PyTorch: 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)

ONNX: starting export with onnx 1.14.0 opset 16...
ONNX: export success  0.7s, saved as runs\detect\train11\weights\best.onnx (12.2 MB)

Export complete (2.2s)
Results saved to D:\GitProjects\ultralytics\runs\runs\detect\train11\weights
Predict:         yolo predict task=detect model=runs\detect\train11\weights\best.onnx imgsz=640 
Validate:        yolo val task=detect model=runs\detect\train11\weights\best.onnx imgsz=640 data=D:\GitProjects\ultralytics\ultralytics\cfg\datasets\coco128.yaml 
Visualize:       https://netron.app

进程已结束,退出代码0

八、可能出现的问题

  • 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
    【深度学习之YOLO8】环境部署,深度学习,python,算法,pytorch,边缘计算
  • xxx

九、附yolo命令参数解释

GitHub官方对所有参数的解释

task

  • 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。
  • 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。
  • 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。

mode

  • train:指定模式为训练模式,用于训练模型。
  • 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。
  • val:指定验证模式,用于评估模型在验证集上的性能。
  • 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。

model文章来源地址https://www.toymoban.com/news/detail-602399.html

  • 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。
  • 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。
  • 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。
Key Value Description
data None 数据文件路径,例如 coco128.yaml
imgsz 640 图像尺寸,可以是一个标量或 (h, w) 的列表,例如 (640, 480)
batch 16 每个批次的图像数(-1 表示自动批处理)
save_json FALSE 是否将结果保存为 JSON 文件
save_hybrid FALSE 是否保存标签的混合版本(标签 + 额外的预测结果)
conf 0.001 目标置信度阈值,用于检测
iou 0.6 NMS(非最大抑制)的交并比阈值
max_det 300 每张图像的最大检测数
half TRUE 是否使用半精度(FP16)
device None 运行模型的设备,例如 cuda device=0/1/2/3 或 device=cpu
dnn FALSE 是否使用 OpenCV DNN 进行 ONNX 推断
plots FALSE 训练过程中是否显示图表
rect FALSE 针对最小填充的每个批次进行矩形验证
split val 用于验证的数据集拆分,例如 ‘val’、‘test’ 或 ‘train’

到了这里,关于【深度学习之YOLO8】环境部署的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 毕业设计-基于深度学习的水面漂浮物目标检测算法系统 YOLO python 卷积神经网络 人工智能

    目录 前言 设计思路 一、课题背景与意义 二、算法理论原理 2.1 Faster RCNN 2.2 YOLOv5算法 三、检测的实现 3.1 数据集 3.2 实验环境搭建 3.3 实验及结果分析 实现效果图样例 最后        📅大四是整个大学期间最忙碌的时光,一边要忙着备考或实习为毕业后面临的就业升学做准备

    2024年02月19日
    浏览(58)
  • 毕业设计-基于深度学习的锂电池极片缺陷检测算法 YOLO python 卷积神经网络 人工智能

    目录 前言 设计思路 一、课题背景与意义 二、算法理论原理 2.1 YOLOv5算法 2.2 改进后的YOLOv5算法 三、锂电池缺陷检测的实现 3.1 数据集 3.2 网络训练 3.3 网络性能分析 实现效果图样例 最后        📅大四是整个大学期间最忙碌的时光,一边要忙着备考或实习为毕业后面临的就业

    2024年02月03日
    浏览(56)
  • 深度学习|目标检测与YOLO算法

    目标检测(object detection)是在给定的图片中精确找到物体所在位置,并标注出物体的类别。物体的尺寸变化范围很大,摆放物体的角度、姿态不确定,而且可以出现在图片任何地方,同时物体也可是多个类别的。 目标检测在多个领域中被广泛使用。例如,在无人驾驶领域,

    2024年02月04日
    浏览(49)
  • Ubuntu安装深度学习环境相关(yolov8-python部署)

    本文将从如下几个方面总结相关的工作过程: 1.Ubuntu系统安装(联想小新pro16) 2.显卡驱动安装 3.测试深度学习模型 之前在台式机上安装过Ubuntu,以为再在笔记本上安装会是小菜一碟,但没想还是废了一些功夫。 安装所需要的步骤: 1.电脑分盘:Windows下右键开始,选择磁盘管理

    2024年02月03日
    浏览(43)
  • 【动手学深度学习】深入浅出深度学习之RMSProp算法的设计与实现

    目录 🌞一、实验目的 🌞二、实验准备 🌞三、实验内容 🌼1. 认识RMSProp算法 🌼2. 在optimizer_compare_naive.py中加入RMSProp 🌼3. 在optimizer_compare_mnist.py中加入RMSProp 🌼4. 问题的解决 🌞四、实验心得 深入学习RMSProp算法的原理和工作机制; 根据RMSProp算法的原理,设计并实现一个

    2024年04月10日
    浏览(64)
  • YOLO8实战:yolov8实现行人跟踪计数

    本篇文章首先介绍YOLOV8实现人流量跟踪计数的原理,文末附代码 yolo8人流量统计 引言:行人跟踪统计是智能监控系统中的重要功能,可以广泛应用于人流控制、安全监控等领域。传统的行人跟踪算法往往受到光照、遮挡等因素的干扰,难以实现准确跟踪。随着深度学习技术的

    2024年02月06日
    浏览(92)
  • 裂缝检测,只依赖OPENCV,基于YOLO8S

    裂缝检测,只依赖OPENCV,YOLOV8S 现在YOLOV8S训练目标非常方便,可以直接转换成ONNX让OPENCV调用,支持C++/PYTHON,原理很简单,自己找博客,有兴趣相互交流

    2024年02月11日
    浏览(41)
  • 深度学习||YOLO(You Only Look Once)深度学习的实时目标检测算法(YOLOv1~YOLOv5)

    目录 YOLOv1: YOLOv2: YOLOv3: YOLOv4: YOLOv5: 总结: YOLO(You Only Look Once)是一系列基于深度学习的实时目标检测算法。 自从2015年首次被提出以来,YOLO系列不断发展,推出了多个版本,包括YOLOv1, YOLOv2, YOLOv3, YOLOv4, 和YOLOv5等。下面是对YOLO系列的详解: 提出时间 : 2015年。 主要贡献 :

    2024年02月20日
    浏览(58)
  • 深度学习毕设项目 深度学习人体跌倒检测 -yolo 机器视觉 opencv python

    🔥 这两年开始毕业设计和毕业答辩的要求和难度不断提升,传统的毕设题目缺少创新和亮点,往往达不到毕业答辩的要求,这两年不断有学弟学妹告诉学长自己做的项目系统达不到老师的要求。 为了大家能够顺利以及最少的精力通过毕设,学长分享优质毕业设计项目,今天

    2024年02月02日
    浏览(56)
  • OpenCV实例(九)基于深度学习的运动目标检测(一)YOLO运动目标检测算法

    2012年,随着深度学习技术的不断突破,开始兴起基于深度学习的目标检测算法的研究浪潮。 2014年,Girshick等人首次采用深度神经网络实现目标检测,设计出R-CNN网络结构,实验结果表明,在检测任务中性能比DPM算法优越。同时,何恺明等人针对卷积神经网络(Convolutional Neura

    2024年02月13日
    浏览(57)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包