### 使用 Ultralytics YOLOv8 模型并在 GPU 上运行 Ultralytics 提供了简单易用的 API，可以快速加载和运行 YOLOv8 模型进行目标检测。为了充分利用 GPU 的计算能力，需要确保环境中已正确安装支持 CUDA 的 PyTorch 版本，并且系统具备相应的 GPU 驱动。 #### 示例代码 以下是一个完整的示例，展示如何在 Python 中使用 Ultralytics YOLOv8 模型，并在 GPU 上进行推理： ```python import cv2 from ultralytics import YOLO # 加载预训练的 YOLOv8n 模型 model = YOLO('yolov8n.pt') # 可自动下载官方模型文件[^1] # 设置推理设备为 GPU（默认情况下，YOLO 模型会使用可用的 GPU） # 如果希望显式指定设备，可以使用如下方式： # model.to('cuda') # 确保 PyTorch 支持 CUDA 并有可用 GPU 设备[^2] # 定义图像文件路径 source = 'img.jpg' # 运行推理并保存结果 results = model.predict( source, project='./', # 结果保存目录 name='exp', # 子目录名称 exist_ok=True, # 允许覆盖已有目录 save=True, # 保存带有边界框的图像 imgsz=640, # 输入图像尺寸 conf=0.2 # 置信度阈值 ) # 打印推理结果 print("检测到的目标类别和置信度：") for result in results: boxes = result.boxes print(f"边界框坐标: {boxes.xyxy}, 置信度: {boxes.conf}, 类别: {boxes.cls}") # 显示检测结果图像 img_result = cv2.imread("exp/" + source) cv2.imshow("Detection Result", img_result) cv2.waitKey(0) cv2.destroyAllWindows() ``` #### 注意事项 - **GPU 支持**：确保系统中已安装支持 CUDA 的 PyTorch 版本，并且 NVIDIA 驱动程序已正确配置。 - **模型加载**：如果模型文件不在当前目录，应提供完整路径或确保网络连接可用以便自动下载。 - **性能优化**：对于批量处理或多帧视频流任务，可启用半精度（FP16）或使用 TensorRT 导出模型以提升推理速度。 ---