YOLOv8 是 Ultralytics 公司开发的新一代 YOLO 系列目标检测模型，以其高性能、易用性和对多种视觉任务（分类、检测、分割、姿态估计）的统一支持而著称 [ref_4]。其核心是一个名为 `ultralytics` 的 Python 包。 ### 核心安装方法 YOLOv8 的安装主要围绕 `ultralytics` 包进行，推荐使用 `pip` 在独立的 Python 虚拟环境中安装，以避免依赖冲突 [ref_1]。 #### 1. 基础安装 最直接的方式是使用 pip 从 PyPI 安装： ```bash pip install ultralytics ``` 此命令会自动安装 `ultralytics` 及其核心依赖（如 PyTorch、OpenCV 等）[ref_2]。然而，对于需要 GPU 加速的场景，建议先手动安装与 CUDA 版本匹配的 PyTorch。 #### 2. 推荐安装流程（针对 GPU 环境） 为确保最佳的 GPU 支持，建议按以下步骤操作 [ref_3][ref_6]： 1. **创建并激活 Conda 虚拟环境**： ```bash conda create -n yolov8 python=3.9 conda activate yolov8 ``` 2. **安装对应 CUDA 版本的 PyTorch**： 访问 [PyTorch 官网](https://pytorch.org/get-started/locally/) 获取安装命令。例如，对于 CUDA 11.8： ```bash pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118 ``` 3. **安装 `ultralytics` 包**： ```bash pip install ultralytics ``` #### 3. 从源码安装（用于开发或特定版本） ```bash git clone https://github.com/ultralytics/ultralytics cd ultralytics pip install -e . # 以可编辑模式安装 ``` ### 核心功能与快速使用 安装完成后，即可通过 Python 脚本或命令行接口（CLI）使用 YOLOv8。 #### 1. Python API 使用示例 以下代码展示了加载预训练模型并进行目标检测的基本流程 [ref_2][ref_5]： ```python from ultralytics import YOLO # 加载预训练模型（自动下载 yolov8n.pt） model = YOLO('yolov8n.pt') # 可选模型：yolov8n.pt, yolov8s.pt, yolov8m.pt 等 # 在图像上进行推理 results = model('path/to/image.jpg') # 返回 Results 对象列表 # 处理结果 for result in results: boxes = result.boxes # 边界框信息 masks = result.masks # 分割掩码（如果任务支持） keypoints = result.keypoints # 关键点（如果任务支持） probs = result.probs # 分类概率（如果任务支持） result.show() # 显示结果图像 result.save('output.jpg') # 保存结果图像 ``` #### 2. 命令行接口（CLI）使用示例 YOLOv8 提供了强大的 CLI，可以快速执行常见任务 [ref_2][ref_5]： ```bash # 使用 YOLOv8n 模型对图像进行推理 yolo predict model=yolov8n.pt source='path/to/image.jpg' # 使用摄像头实时检测 yolo predict model=yolov8n.pt source=0 # 对视频进行检测 yolo predict model=yolov8n.pt source='path/to/video.mp4' ``` ### 模型训练与验证 YOLOv8 简化了自定义数据集的训练流程。 #### 1. 数据准备 数据需按 YOLO 格式组织，并配置一个 `data.yaml` 文件 [ref_3][ref_5]： ```yaml # data.yaml 示例 path: /dataset/root # 数据集根目录 train: images/train # 训练图像路径（相对 path） val: images/val # 验证图像路径（相对 path） # 类别名称和数量 names: 0: person 1: bicycle 2: car nc: 3 # 类别数量 ``` #### 2. 模型训练 使用 Python 或 CLI 启动训练 [ref_3][ref_5]： ```python from ultralytics import YOLO model = YOLO('yolov8n.pt') # 加载预训练模型作为起点 model.train(data='data.yaml', epochs=100, imgsz=640, batch=16, device=0) # 使用 GPU 0 训练 ``` 或使用 CLI： ```bash yolo detect train data=data.yaml model=yolov8n.pt epochs=100 imgsz=640 device=0 ``` #### 3. 模型验证与导出 训练完成后，可以进行验证和模型导出 [ref_5]： ```python # 在验证集上评估模型 metrics = model.val() # 将模型导出为 ONNX 或 TensorRT 格式 model.export(format='onnx') # 导出为 ONNX ``` ### 常见安装与使用问题及解决方法 在配置和使用 YOLOv8 时，可能会遇到以下典型问题。 | 问题现象 | 可能原因 | 解决方案 | | :--- | :--- | :--- | | `ImportError: No module named 'ultralytics'` 或 `ModuleNotFoundError` | `ultralytics` 包未安装或不在当前 Python 环境中。 | 1. 确认已激活正确的虚拟环境（如 `conda activate yolov8`）[ref_3]。<br>2. 在当前环境中执行 `pip install ultralytics` [ref_1]。 | | `AssertionError: No data found` 或 `FileNotFoundError` | 训练时指定的 `data.yaml` 路径错误或文件内容有误。 | 1. 检查 `data.yaml` 文件的路径是否正确，建议使用绝对路径 [ref_5]。<br>2. 检查 `data.yaml` 中 `path`, `train`, `val` 指向的目录和图像是否存在。 | | `CUDA out of memory` | GPU 显存不足。 | 1. 在训练或预测命令中减小 `batch-size` 或 `imgsz`（图像尺寸）[ref_6]。<br>2. 关闭其他占用显存的程序。<br>3. 使用更小的模型（如 `yolov8n.pt` 而不是 `yolov8x.pt`）。 | | 推理速度慢，GPU 利用率低 | 可能在使用 CPU 模式运行。 | 1. 检查 PyTorch 是否支持 GPU：在 Python 中运行 `import torch; print(torch.cuda.is_available())`，应返回 `True` [ref_6]。<br>2. 确保安装的是 CUDA 版本的 PyTorch，而非 CPU 版本。 | | `AttributeError: 'Results' object has no attribute 'boxes'` | 可能在使用分类模型执行检测任务，或结果解析方式错误。 | 1. 确认加载的模型文件（如 `.pt`）是对应检测任务的。`yolov8n-cls.pt` 是分类模型，`yolov8n.pt` 是检测模型 [ref_4]。<br>2. 检查 `results` 对象的结构，使用 `print(results)` 查看其属性。 | | `pip install ultralytics` 安装缓慢或失败 | 网络问题或 pip 源问题。 | 1. 使用国内镜像源加速：`pip install ultralytics -i https://pypi.tuna.tsinghua.edu.cn/simple` [ref_1]。<br>2. 升级 pip：`pip install --upgrade pip`。 | | 训练时 loss 为 `nan` | 学习率过高、数据有问题或梯度爆炸。 | 1. 降低学习率（`lr0` 参数）。<br>2. 检查数据标注，确保边界框坐标在 `[0, 1]` 范围内且格式正确。<br>3. 使用更小的模型和 `batch-size` 重新尝试。 |