前言

????如何安裝Python版本的Yolo，有一段時間不用了，Yolo的版本也在不斷地發展，所以重新安裝了運行了一下，記錄了下來，供參考。

一、搭建環境

1.1、創建Pycharm工程

首先創建好一個空白的工程，如下圖：

1.2、查看cuda的版本

可以，獲知當前電腦安裝的cuda版本是12.1。

???????1.3、安裝cuda版本的Pytorch

先安裝mkl

再用已有文件安裝cuda版本的Pytorch，如下圖：

這個安裝當中之所以出現，原有torch版本的卸載問題，是因為工程繼承自系統的Python311，已經安裝了cpu版本的torch的緣故，這個uninstall后并不影響后續的安裝。

我們，可以查看安裝后的情況，如下圖：

???????1.4、一個測試Pytorch的簡單程序

說明，cuda版本的Pytorch已經完全可用了。

二、Yolov8的安裝

2.1、參考鏈接

2024最新的YOLOv8安裝配置全流程，人人都可以學會的圖像識別技術指南-CSDN博客

2.2、安裝ultralytics

直接輸入：pip install ultralytics

但是，這樣做的后果是，安裝了最新版本的ultralytics，導致torch也要進行更新，于是它就自動這樣做了，如下圖：

然后，你看，這個torch就已經不支持cuda了，如下圖：

不過，這個也不要緊（cpu版本的torch也能用，這不是本文的重點），我們繼續：

查看當前的yolo版本，如下圖：

三、下載源碼開始測試

官網下載源碼：https://github.com/ultralytics/ultralytics

如圖：

其實，這個版本，已經不是Yolov8，而是Yolov11了。

（是Yolov8還是Yolov11主要決定的是模型文件，而非整體代碼，整體代碼而言應該是兼容Yolov8和Yolov11的）

先下載下來，然后復制到Pycharm工程中進行測試，如圖：

3.1、先做一個預測測試

輸入：yolo predict model=yolov8n.pt source='ultralytics/assets/bus.jpg'?device=cpu

然后，我們查看這個預測的結果：

顯然這個預測是符合我們預測要求的。

3.2、在線coco訓練測試

采用在線下載coco包的方式進行測試：

yolo train model = yolov8n.pt data = coco128.yaml epochs = 10 imgsz = 640

、

訓練結束，如下圖：

我們可以查看訓練的結果：

3.3、離線coco訓練測試

將coco128.yaml中的內容進行了修改，刪除了其中Download部分，

并將其中的文件和標簽的路徑修改如下：

并且，將coco集中images和labels復制到對應的位置，如圖：

至此，可采用自定義的my_coco128.yaml進行離線訓練了，

輸入：yolo train model = yolov8n.pt data = my_coco128.yaml epochs = 10 imgsz = 640

運行完畢，如下圖：

運行結果是一致的，如下圖：

為什么要這樣做呢？就是為了后續訓練自己打標的圖片做準備。