YOLOv8 pytorch環境建置與教學 - Win10

woff

先到 pytorch 官網 對應一下CUDA版本及指令

我的環境是：

• Python 3.10
• Nvidia driver 522.25
• Cuda 11.7
• Conda
• Cudnn 8.7
  

安裝方法可參閱此篇文章 ：Win10用 Anaconda 建 3070系列的 Tensorflow 深度學習環境


先下載CUDA 11.7 載點

下載安裝好以後，把CUDNN 三個目錄COPY到C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.7下


到PyCharm 終端機下指令先建一個虛擬環境

1. conda create -n python310 python=3.10.0
   
2. conda activate python310

複製代碼

安裝TORCH

1. conda install pytorch torchvision torchaudio pytorch-cuda=11.7 -c pytorch -c nvidia

複製代碼

1. pip install opencv-contrib-python
   

複製代碼

1. pip install torch==2.0.1+cu117 torchvision==0.15.2+cu117 -f https://download.pytorch.org/whl/torch_stable.html
   

複製代碼

1. pip list

複製代碼

v8 是由 v5 的原創公司 Ultralytics 改良的

改良特點

依據YOLO v8 官網文件說明，主要改良特點如下：

• 提供一個框架，可執行之前所有版本的模型。
• 全新的骨幹網路模型(Backbone network)。
• 不使用事先設定的偵測框(anchor-free detection head)。
• 使用新的損失函數(Loss function)。
• CPU/GPU兼容。
• 訓練時間縮短為60%。
• 預測更準確(mAP)，如下圖。
  

YOLO v8 vs. v7 參數量與 mAP 比較，圖片來源：YOLO v8 GitHub

1.測試

打開終端機或cmd，輸入以下指令，進行物件偵測：

1. yolo predict model=yolov8n.pt source="https://ultralytics.com/images/bus.jpg"

複製代碼

原圖

存檔位置預設在 runs\detect\predict 資料夾下。

2.模型下載
https://github.com/ultralytics/ultralytics

或者也可以從頭開始訓練模型，在YOLO安裝的資料夾下尋找各Model的yaml檔
如選擇yolov8.yaml

準備一個yaml來描述這些資料的位置，如以下data.yaml的內容

1. path: d:/yolo
   
2. train: ./train/images
   
3. val: ./valid/images
   
4. test: ./test/images
   
5. nc: 1
   
6. names: [‘dog’]

複製代碼

用Python指令來進行訓練

1. from ultralytics import YOLO
   
2. import multiprocessing
   
3. model = YOLO("yolov8.yaml")
   
4. model.train(data="data.yaml",
   
5.             mode="detect",
   
6.             epochs=100,
   
7.             imgsz=640,
   
8.             device="cpu")

複製代碼

其中device參數若未指定則會使用GPU進行訓練，device=0即使用第一張GPU卡，也可device=0,1使用2張卡來進行運算，而device=cpu即使用CPU來運算

以上即是簡單的進行訓練與測試教學

另外需注意檔案設定 C:\Users\Administrator\AppData\Roaming\Ultralytics\settings.yaml

描述

1. settings_version: 0.0.4
   
2. datasets_dir: D:\yolo\datasets
   
3. weights_dir: weights
   
4. runs_dir: runs
   
5. uuid: 8dfc68cd7948fa055541ec71f7687a994797279b020c6df0479825ff19aafdf9
   
6. sync: true
   
7. api_key: ''
   
8. clearml: true
   
9. comet: true
   
10. dvc: true
    
11. hub: true
    
12. mlflow: true
    
13. neptune: true
    
14. raytune: true
    
15. tensorboard: true
    
16. wandb: true

複製代碼

datasets路徑 D:\yolo\datasets


參考文章
https://hackmd.io/@luckychi/yolov8_simple_tutorial
https://ithelp.ithome.com.tw/articles/10311114

https://blog.csdn.net/qq_26938321/article/details/128697956
https://www.cnblogs.com/thx2199/p/17165169.html

文章出處： NetYea 網頁設計