前言

yolov8的廣泛使用，拉取yolov8源碼工程，然后配置環境后直接運行，初步驗證自己數據的檢測效果，在數據集準備OK的情況下 需要信手拈來，以保證開發過程的高效進行。
本篇博客更注意為了方便自己使用時參考。順便也記錄下ubuntu下的一些簡單的常用的操作。

1 ubuntu的相關命令

ubuntu關于賬號的操作

1. 添加刪除用戶

   sudo adduser XXX       ## 新增用戶
   sudo userdel -r XXX    ## 刪除用戶# 更改用戶主目錄
   # sudo usermod -d /target_dir/ username
   # sudo chown -R username target_dir/  #將文件夾所有權給該用戶# sudo useradd -r -m -s /bin/bash username (-r root)
   # sudo passwd XXXX
   # sudo userdel -r username
   # deluser USER --remove-home --remove-all-files
   

2. 修改密碼

   sudo passwd user
   

3. 查看所有用戶

   grep bash /etc/passwd
   

4. 添加刪除管理員權限

   sudo adduser username sudo
   sudo deluser username sudo
   

ubuntu下磁盤信息查看

1. 查看硬盤容量

   df -h                              ## 查看硬盤容量
   du -h --max-depth=1         ## 查看當前路徑文件夾大小
   

2. 查看文件夾詳細信息

   ls -l
   ls -al
   

3. 統計文件夾中文件數量

   ls -l | grep "^-" | wc -l
   

4. 查看顯卡占用

   nvidia-smi           # 顯示PID
   ps -f -p 26359     # 查詢PID
   

2 安裝Anaconda

官網上下載不流暢，清華鏡像絲滑下載（官方通知不更新 但夠使用），鏈接為
https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/
https://mirrors.tuna.tsinghua.edu.cn/anaconda/miniconda/ mini版本，都能正常使用。
?
個人選擇miniconda安裝，下載【Miniconda3-4.7.12-Linux-x86_64.sh】

chmod +x Miniconda3*.sh
bash Miniconda3*.sh1 按 enter 鍵2 輸入yes并enter3 選擇路徑：enter4 是否添加環境變量： yes5 是否安裝Microsoft vs no就行（因為已經安裝了vscode和qt，所以這里no就行）
source ~/.bashrc

conda list                   #顯示自己已安裝包
conda create -n env_name(自己寫名字） python=3.7（版本號） # 創建虛擬環境
source activate env_name    #激活虛擬環境
deactivate                 # 退出虛擬環境
conda env list            # 查看已有虛擬環境
conda install ～         # 安裝包
conda remove ～         # 卸載包
conda update           # 更新

3 安裝VScode

https://blog.csdn.net/magic_ll/article/details/119679279

4 YOLOV8的環境配置與運行

4.1 工程下載與環境配置

工程下載ultralytics 8.0.36。

conda create -n YOLOV8 python=3.8
conda activate YOLOV8
pip install ultralytics==8.0.36
pip list          ## 查看安裝列表
## 剩余需要的庫，正常安裝即可

---

4.2 demo工程

# import sys
# sys.path.append("./")
from ultralytics import YOLO
# import onnxruntime as ort
import cv2
import os
import globdef demo():### predict===================================# 加載模型test_path = "https://ultralytics.com/images/bus.jpg"outpath = os.path.join(os.getcwd(), "runs/detect")# model = YOLO("yolov8n.yaml")  # 從頭開始構建新模型model = YOLO("yolov8n.pt")  # 加載預訓練模型（推薦用于訓練）# Use the modelresults = model.train(data="coco128.yaml", epochs=3)  # 訓練模型results = model.val()  # 在驗證集上評估模型性能results = model(test_path)  # 預測圖像results = model.predict(test_path, device=0,save=True,show=False,save_txt=True, imgsz=[640,640],save_conf=True, name=outpath, iou=0.5)  ## 預測圖像 ## 這里的imgsz為高寬success = model.export(format="onnx")  # 將模型導出為 ONNX 格式demo()

可能報錯：運行上述腳本，報錯如下，原因是顯卡驅動和cuda版本不匹配。

提高顯卡驅動版本或降低pytorch版本即可。這里方便起見，降低pytorch版本與顯卡驅動匹配即可。
此時pytorch版本為：torch2.3.0，torchvision0.18.0。重新安裝版本torch2.1.1，torchvision0.16.1。

---

4.3 自己的工程訓練

# import sys
# sys.path.append("./")
from ultralytics import YOLO
# import onnxruntime as ort
import cv2
import os
import globdef export_own():model_file = "./yolov8n.pt",print(model_file)model = YOLO(model_file)  # load a pretrained model (recommended for training)pt_path = model.model.pt_pathuse_model = os.path.basename(pt_path)## 通過修改pt_path，從而直接修改轉換的onnx的名字，就可以導出不同輸入尺寸的onnx模型# model.model.pt_path = pt_path.replace(use_model, f"{use_model[:-3]}_export{use_model[-3:]}")model.export(format='onnx', opset=11, simplify=True, dynamic=False, imgsz=[352,352])def train_own():model_path = "yolov8s.pt"# model_path = os.path.join(os.getcwd(), "runs/detect/yolov8_case23_epoch300/weights/epoch250.pt")savename = os.path.join(os.getcwd(), "runs/detect/yolov8_case24_epoch300")model = YOLO(model_path)  model.train(data="./dataYaml/Object_case19.yaml", device="4,5,6,7", imgsz=352, close_mosaic=50, epochs=300, batch=512, workers=16, save_period=10, name=savename, patience=300,# resume=True ## 是否要繼續訓練)  if __name__=="__main__":train_own()export_own()

5 端側模型轉換

5.1 RK3566模型轉換

rknn-toolkit2-v1.4的環境配置

---

5.2 SIM9383模型轉換

SIM9383 的環境配置