⭐⭐⭐全网最详细YOLOv8教程,从环境配置到自己训练,再到数据集的制作,包的各位⭐⭐⭐

VIP⭐⭐⭐全网最详细YOLOv8教程,从环境配置到自己训练,再到数据集的制作,包的各位⭐⭐⭐
问题原因:当你“pip install ultralytics” 时,torch和torchvision会作为它的依赖一起安装了,当执行“pip install torch torchvision torchaudio --index-url。”时,会卸载torch,然后再安装torch+cuda版本,但是不会自动卸载torchvision已有版本,然后再安装torchvision+cuda版本。🎉🎉🎉恭喜各位道友,已经可以训练模型了,现在就是制作自己的数据集,所谓申神通秘境,随心所欲,万物皆可识别也
开通可读全文 ·7.4k 人阅读
最低0.47元/天 解锁文章

目录

YOLO学习笔记

阶段一:配置环境

步骤一:下载代码包

步骤二:环境配置

步骤三:下载预训练权重

步骤四:预测图片

步骤五:下载数据集

阶段一:意外情况

意外情况一

意外情况二

意外情况三

意外情况四

意外情况五

意外情况六

阶段二:训练阶段

步骤一:训练自己的数据集

步骤二:验证模型

阶段二:意外情况

意外情况一

意外情况二

意外情况三

意外情况四

阶段三:制作数据集

步骤一:下载labelimg

步骤二:cd进入你的coco模板下

步骤三:创建classes.txt文件

步骤四:启动labelimg

阶段三:意外情况

意外情况一​编辑


YOLO学习笔记

🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀

❗❗❗在开始操作之前请先创建一个虚拟环境,防止环境中已有库于yolov8要求库版本冲突

❗❗❗命令都是在终端执行,在执行的时候一定要保证自己目录在ultralytics-main下

❗❗❗数据集资料:https://pan.baidu.com/s/124bbjdCwZEycm-7kzHcUCA?pwd=cyy6 
              提取码:cyy6

阶段一:配置环境

步骤一:下载代码包

YOLOv8代码:GitHub - ultralytics/ultralytics: NEW - YOLOv8 🚀 in PyTorch > ONNX > OpenVINO > CoreML > TFLite

YOLOv8文档:Home - Ultralytics YOLOv8 Docs

YOLOv8中文文档:主页 -Ultralytics YOLOv8 文档

步骤二:环境配置

⭐python=3.10                                   ⭐pytorch=2.01                                   ⭐cuda=12.4

❗cuda版本选择请参考本文~~~阶段二意外情况一~~~

❗❗❗终端一定要cd到ultralytics-main目录的路径下

 pip install -r requirements.txt -i  https://pypi.tuna.tsinghua.edu.cn/simple/ 
 ​
 pip install ultralytics-i  https://pypi.tuna.tsinghua.edu.cn/simple/ 

❗安装好后记得:pip install ultralytics检查一下是否安装成功

❓如果没有requirements.txt文件,请到本文开头分享资料下载,下载到ultralytics-main目录级下

其它镜像源

阿里云 Simple Index

中国科技大学 Simple Index

豆瓣http://pypi.douban.com/simple/

清华大学 Simple Index

中国科学技术大学 Simple Index

步骤三:下载预训练权重

找到路径:\docs\en\models\yolov8.md

找到Detection(COCO)里面的YOLOv8n,将下载链接里面的内容在网页当中下载下来

下载到主目录ultralytics-main下

下载yolo(温馨提示:每当下载库的时候都可以主动的加上镜像源,加快下载速度)

 pip install yolo

❗安装好后记得:pip install yolo检查一下是否安装成功,优秀的程序员具有优秀的编程习惯👍

步骤四:预测图片

​
方案一:yolo predict model=yolov8n.pt source='https://ultralytics.com/images/bus.jpg'

方案二:yolo task=detect mode=predict model=yolov8n.pt conf=0.25 source=F:\YOLO\ultralytics-main\ultralytics\assets\bus.jpg

​

方案一适用

VIP YOLOv8训练自定义数据集(超详细) 准备深度学习环境。 开通可读全文·2.9w 阅读·31 点赞·344 收藏 阅读全文

相关推荐

YOLOv8训练自己数据集

原因是因为Ubuntu下的远程服务器中的setting设置导致的,因此,要把数据集dataset复制一份,挪到datasets(自己新建一个)中。上传命令的话,恒源云官方文档都有,如果有实在不会的小伙伴,记得评论区留言!其次,这里的imgsz根据自己数据集选择,不要太大!batch一般就是4,16,32,64,自己选。当然,大家有问题可以在评论区留言,当然有时候可能系统信息太多可能会漏,大家可以在b站发消息给我!到此,数据集制作就完成了,如果有想要划分数据集图像的代码,可以关注留言,我可以看到。

m0_60985598的博客 9803

YOLOv12改进专栏目录 | 本专栏持续更新500+篇内容 | 包含各种卷积、主干网络、各种注意力机制、检测头、损失函数、小目标检测改进、二次创新模块、独家创新等几百种创新点改进

《YOLOv12高效涨点改进专栏》提供500+创新改进方案,涵盖卷积、主干网络、注意力机制等模块优化,适用于检测、分割等任务。改进点来自顶会论文和个人经验,支持多种模型版本和任务场景。专栏包含详细教程、数据集增强、性能评估工具等,帮助科研人员快速实现模型优化和论文发表。提供完整运行项目和环境配置指导,适合计算机及相关专业研究人员使用,持续更新保障长期科研需求。

Ai缝合怪、助力小伙伴高效发论文 2279

YOLOv8改进 | Conv篇 | 将RT-DETR模型AIFI模块和Conv模块结合替换SPPF(全网独家改进)

本文给大家带来是用最新的RT-DETR模型中的AIFI模块间去替换YOLOv8中的SPPF。RT-DETR号称是打败YOLO的检测模型,其作为一种基于Transformer的检测方法,相较于传统的基于卷积的检测方法,提供了更为全面和深入的特征理解,将RT-DETR中的一些先进模块融入到YOLOv8往往能够达到一些特殊的效果(我个人猜测,所以我进行了一些实验来验证这一点),我将RT-DETR的AIFI模块和Conv模块融合在一起添加到了YOLOv8中。亲测这一改进并不一定能够提高精度。

Snu77的博客 8276

YOLOv9改进策略:loss优化 | Wasserstein Distance Loss,助力小目标涨点

Wasserstein Distance Loss | 亲测在多个数据集能够实现涨点,对小目标、遮挡物性能提升明显

①答疑群聊服务;②YOLO大模型知识问答系统;③计算机视觉论文生成智能体; 2120

YOLOv9改进策略:主干系列 | Transformer架构ConvNeXt 网络在检测中大放异彩

将此TransformerConvNeXt 网络引入到YOLOv9,在NEU-DET将近涨点2个点。

①答疑群聊服务;②YOLO大模型知识问答系统;③计算机视觉论文生成智能体; 2011

YOLOv9改进策略:IoU优化 | 官方支持GIoU, DIoU, CIoU, MDPIoU

官方支持GIoU, DIoU, CIoU, MDPIoU

①答疑群聊服务;②YOLO大模型知识问答系统;③计算机视觉论文生成智能体; 1983

YOLOv9改进策略:卷积魔改 | PConv减少冗余计算和内存访问可以更有效地提取空间特征 |CVPR2023 FasterNet

PConv减少冗余计算和内存访问可以更有效地提取空间特征

①答疑群聊服务;②YOLO大模型知识问答系统;③计算机视觉论文生成智能体; 2139

YOLOv9改进策略:卷积魔改 | DCNv2升级版本,助力检测

1)直接替换YOLOv9的卷积操作;2)和Bottleneck结合,进行二次创新

①答疑群聊服务;②YOLO大模型知识问答系统;③计算机视觉论文生成智能体; 1542

YOLOv9改进策略:RepNCSPELAN4优化 | DilatedReparamBlock结合RepNCSPELAN4二次创新 | CVPR2024 最新大卷积核CNN架构UniRepLKNet

DilatedReparamBlock模块并结合YOLOv9RepNCSPELAN4二次创新,在多个数据集验证涨点,且效果优于原始的RepNCSPELAN4模块

①答疑群聊服务;②YOLO大模型知识问答系统;③计算机视觉论文生成智能体; 3104

YOLOv11【第五章:数据工程与增强篇·第8节】GAN 生成对抗网络——合成虚拟数据以扩充 YOLOv11 稀缺样本!

🏆 本文收录于专栏 《YOLOv11实战:从入门到深度优化》。本专栏围绕 YOLOv11 的改进、训练、部署与工程优化 展开,系统梳理并复现当前主流的 YOLOv11 实战案例与优化方案,内容目前已覆盖 分类、检测、分割、追踪、关键点、OBB 检测 等多个方向。

**My Coding Family** 379

YOLOv9改进策略:注意力机制 | 动态稀疏注意力的双层路由方法BiLevelRoutingAttention | CVPR2023

BiLevelRoutingAttention对小目标检测效果比较好:BRA模块是基于稀疏采样而不是下采样,一来可以保留细粒度的细节信息,二来同样可以达到节省计算量的目的。

①答疑群聊服务;②YOLO大模型知识问答系统;③计算机视觉论文生成智能体; 1706

改进后的yolov8导出进行部署到rk3588上时,导出为onnx格式报错aten::fft_fft2算子不支持导出...如何解决?

🏆本文收录于《全栈Bug调优(实战版)》专栏,主要记录项目实战过程中所遇到的Bug或因后果及提供真实有效的解决方案,希望能够助你一臂之力,帮你早日登顶实现财富自由🚀;同时,欢迎大家关注&&收藏&&订阅!持续更新中,up!up!up!! 备注:部分问题/疑难杂症搜集于互联网。

**My Coding Family** 1783

YOLOv9改进策略:卷积魔改 | SPD-Conv,低分辨率图像和小物体涨点明显

SPD-Conv在多个数据集验证能够暴力涨点,适合急需要涨点的项目

①答疑群聊服务;②YOLO大模型知识问答系统;③计算机视觉论文生成智能体; 1974

YOLOv9改进策略:卷积魔改 | SCConv:空间和通道重建卷积,即插即用,助力检测 | CVPR2023

SCConv:空间和通道重建卷积,即插即用,助力检测 | CVPR2023

①答疑群聊服务;②YOLO大模型知识问答系统;③计算机视觉论文生成智能体; 1482

YOLOv11【第三章:高阶应用与落地篇·第8节】DeepSORT 实战——YOLOv11 + DeepSORT 实现行人/车辆稳定追踪!

🏆 本文收录于专栏 《YOLOv11实战:从入门到深度优化》。本专栏围绕 YOLOv11 的改进、训练、部署与工程优化 展开,系统梳理并复现当前主流的 YOLOv11 实战案例与优化方案,内容目前已覆盖 分类、检测、分割、追踪、关键点、OBB 检测 等多个方向。

**My Coding Family** 618

《YOLO多模态创新改进专栏目录 》全网独家创新,多模态融合改进教程,包含早期融合、中期融合、后期融合、损失函数改进、二次创新模块、独家创新等几百种创新点改进,答疑群提供完整项目,永久更新中

🔥《YOLO多模态创新改进专栏》重磅来袭!🚀 本专栏汇集最新顶会顶刊创新点,提供1000+篇YOLO多模态改进方案(涵盖v8-v26),包含: 多模态融合策略(早期/中期/后期) 损失函数优化 独家创新模块 详细改进步骤 ✨特色服务: ✔️ 配套完整可运行项目 ✔️ 专业答疑群支持(含非计算机专业指导) ✔️ 持续更新至2026年 ✔️ 适用目标检测/OBB/分割/分类等多任务 💡适合人群: 科研人员 | 研究生 | 需发SCI/CCF论文者 环境要求宽松,新手友好,助力快速产出科研成果! 📈早订优

Ai缝合怪、助力小伙伴高效发论文 730

STM32H7 Flash擦除后数据读取异常的缓存问题解析

本文深入分析了STM32H7系列芯片在Flash擦除后数据读取异常的缓存问题,揭示了由于数据缓存(D-Cache)和指令缓存(I-Cache)导致的数据一致性问题。通过详细的解决方案,包括手动维护缓存一致性和操作期间禁用缓存,帮助开发者有效解决这一常见但棘手的嵌入式开发难题。

weixin_29158413的博客 390

告别抓包:一个Xposed模块教你监控抖音App的本地数据变化

本文详细介绍了如何利用Xposed框架开发模块,实现抖音App本地数据监控的技术方案。通过Hook关键方法,开发者可以实时获取用户信息、推荐算法参数等核心数据,无需Root设备即可高效调试。文章包含完整的环境配置、代码实现和优化技巧,为移动应用开发与测试提供创新解决方案。

weixin_27015733的博客 380

树莓派烧录验证失败:跳过验证步骤实现成功启动的实用技巧

本文针对树莓派烧录系统时常见的验证失败问题,提供了跳过验证步骤实现成功启动的实用技巧。通过分析Windows与Linux文件系统差异导致的SD卡验证报错,指导用户在烧录完成后立即关闭验证窗口,或使用BalenaEtcher等第三方工具规避问题,确保树莓派正常启动。

yyy34的博客 942

CUDA详细安装及环境配置——环境配置指南 – CUDA+cuDNN+PyTorch 安装

本文详细介绍了如何确定显卡支持的CUDA版本、选择对应的cuDNN版本,并逐步安装CUDA、cuDNN和PyTorch。首先,通过命令行输入nvidia-smi.exe查看显卡支持的CUDA版本。接着,根据CUDA版本选择对应的cuDNN版本并下载。然后,从NVIDIA官方网站下载CUDA安装包,按照提示进行安装,并检查是否安装成功。同样地,下载cuDNN安装包,解压后将文件拷贝到CUDA安装目录中,并通过命令行验证安装是否成功。最后,根据PyTorch官网的指引,选择合适的安装命令进行PyTorch的安装

2501_90350274的博客 5095

【3天快速入门WPF】1-从最简单的xaml开始

首先我们要知道xaml语法中声明即定义,意思就是“见到元素就相当于创建实例”,MainWindow.xaml的主干是一个元素里包含着一个 元素。这段程序就是在定义一个Window类的实例,这个实例的一个组成部分是一个Grid类的实例。

Zy100Papa的博客 1616

NX二次开发 计算多个体的最小包围盒

多个体的最小包围盒

weixin_72680115的博客 422

YOLO26涨点改进 | 全网独家,注意力创新改进篇 | Arxiv2025 | YOLO26引入MSLA多尺度线性注意力模块,高效提取多尺度特征和建模长程依赖,含多种创新改进,助力有效涨点

本文提出了一种多尺度线性注意力模块(MSLA)来优化YOLO26模型。MSLA通过并行使用不同尺寸的深度可分离卷积(3×3至9×9)提取多尺度特征,并结合线性注意力机制高效建模全局依赖关系。该模块显著提升了模型对多尺度目标的检测能力,同时保持了轻量化特性。实验表明,MSLA能有效增强小目标检测和复杂场景下的分割精度。文章详细介绍了MSLA的网络结构、核心优势及实现代码,并提供了两种集成MSLA的YOLO26改进方案,为实时目标检测任务提供了高效解决方案。

Ai缝合怪、助力小伙伴高效发论文 284

SCADA|RESTful学习,Apipost通过GET获取KingSCADA实时数据

本文介绍了如何使用RESTful实现SCADA与MES系统对接。主要包括:1)对比RESTful与其他协议的性能指标;2)KingSCADA作为Server/Client的三种应用场景;3)详细演示KingSCADA3.8作为Server端的配置过程,包括端口设置和API测试。通过Apipost工具测试获取变量值及数据回写接口,其中数据回写需使用MD5加密密码。文章最后指出回写测试失败的情况,但未分析具体原因。全文以实际工程应用为导向,提供了具体操作步骤和技术细节。

做有价值的事,积累有价值的笔记! 617

pscad IEEE标准系统搭建说明

pscad IEEE标准系统搭建说明,包含典型的IEEE 9节点、14节点、30节点、39节点和118节点系统。内含标准测试系统的原始数据和潮流结果。

Outlook Express 6 (OE6) for Win7/Win8/Win10

英文版 Outlook Express6.0, 兼容Win7/Win10/WinXP,解压就可用。

C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正

ssm框架搭建

这个是一个在idea上成功跑起来的ssm框架项目,保存在这里方便以后使用直接下载

上一篇: 树莓派下载老版本镜像方法
下一篇: 更改Anaconda路径的方法,再也不用担心C盘爆炸了(包安全的)

双11狂欢大促

盲盒赢 定制羽绒服

开启惊喜盲盒,抽取你的专属好礼

— 惊喜奖品抢先看 —
钰钰症
博客等级 码龄4年 3641粉丝 16原创
评论 7
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值