Win10环境下yolov8(ultralytics) 快速配置与测试

win10下亲测有效！（如果想在tensorrt+cuda下部署，直接看第五5章）

一、win10下创建yolov8环境

# 注：python其他版本在win10下，可能有坑，我已经替你踩坑了，这里python3.9亲测有效
conda create -n yolov8 python=3.9 -y
conda activate yolov8
pip install ultralytics -i https://pypi.tuna.tsinghua.edu.cn/simple

二、推理图像

模型下载地址：

# download offical weights(".pt" file)
https://github.com/ultralytics/assets/releases/download/v0.0.0/yolov8n.pt
https://github.com/ultralytics/assets/releases/download/v0.0.0/yolov8s.pt
https://github.com/ultralytics/assets/releases/download/v0.0.0/yolov8m.pt
https://github.com/ultralytics/assets/releases/download/v0.0.0/yolov8l.pt
https://github.com/ultralytics/assets/releases/download/v0.0.0/yolov8x.pt
https://github.com/ultralytics/assets/releases/download/v0.0.0/yolov8x6.pt

这里下载yolov8n为例子，原图图下图：

我们将图像和yolov8n.pt放到路径：d:/Data/，推理：

yolo predict model="d:/Data/yolov8n.pt" source="d:/Data/6406407.jpg"

效果如图：

三、训练

3.1 快速训练coco128数据集

在win10下，创建路径：D:\CodePython\yolov8，将这个5Mb的数据集下载并解压在目录，coco128数据集快速下载：https://share.weiyun.com/C0noWh5W

如下图：

新建train.py文件，代码如下：、

from ultralytics import YOLO

# Load a model
# yaml会自动下载
model = YOLO("yolov8n.yaml")  # build a new model from scratch
model = YOLO("d:/Data/yolov8n.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="coco128.yaml", epochs=100, imgsz=640)

训练指令：

 python train.py

如下图训练状态：

3.2 预测

新建predict.py文件，代码如下：

from ultralytics import YOLO

# Load a model
model = YOLO("d:/Data/yolov8n.pt")  # load an official model

# Predict with the model
results = model("d:/Data/6406407.jpg")  # predict on an image

预测指令：

 python predict.py

如下图预测窗口打印：

四、导出onnx

pip install onnx
yolo mode=export model="d:/Data/yolov8n.pt" format=onnx dynamic=True

五、yolov8n的tensorrt部署加速

TensorRT-Alpha基于tensorrt+cuda c++实现模型end2end的gpu加速，支持win10、linux，在2023年已经更新模型：YOLOv8, YOLOv7, YOLOv6, YOLOv5, YOLOv4, YOLOv3, YOLOX, YOLOR,pphumanseg,u2net,EfficientDet。
Windows10教程正在制作，可以关注TensorRT-Alpha：https://github.com/FeiYull/TensorRT-Alpha

快速看看yolov8n 在移动端RTX2070m(8G)的新能表现：

model	video resolution	model input size	GPU Memory-Usage	GPU-Util
yolov8n	1920x1080	8x3x640x640	1093MiB/7982MiB	14%

下图是yolov8n的运行时间开销，单位是ms：

更多TensorRT-Alpha测试录像在B站视频：
B站：YOLOv8n
B站：YOLOv8s

附录

更多训练指引，请看官方文档。

• # yolov8 官方仓库: https://github.com/ultralytics/ultralytics
• # yolov8 官方中文教程：
• # yolov8 官方训练指引: https://docs.ultralytics.com/reference/base_trainer/
• # yolov8 官方快速教程: https://docs.ultralytics.com/quickstart/