yolov8训练与部署

整体流程：

参考视频链接

0. 安装显卡驱动

直接进入nvidia官网然后下载并且安装

https://www.nvidia.cn/software/nvidia-app/

1. 配置cuda和cudnn环境（可以直接跳过）

现在不需要手动安装 CUDA Toolkit（nvcc、头文件等），torch团队已经预编译好了，只需要安装torch即可会自动拉取对应的包

安装cuda

1.查看显卡驱动最高支持的cuda版本

nvidia-smi

2.下载

• 官方下载链接(需要注册官网账号)
  • cuda下载链接
  • cudnn下载链接
• 百度网盘

链接：https://pan.baidu.com/s/1PlqHeQYkbxHfygOK_tv0ZQ?pwd=5m7w 
提取码：5m7w 
--来自百度网盘超级会员V4的分享

3.双击安装，选择安装缓存的路径

4. 选安装的组件

5.安装位置

6.查看是否安装成功(注意是大写的V)

nvcc -V

安装cudnn

解压后三个文件夹的文件分别拷贝到CUDA安装目录对应的（bin、include、lib）文件夹中即可。

环境变量

bin

include

lib

libnvvp

2.配置conda环境

1.miniconda下载

链接：https://pan.baidu.com/s/131-tN39WV44blsPE3TZ3ug?pwd=iofe 
提取码：iofe 
--来自百度网盘超级会员V4的分享

2.安装

双击运行然后按照步骤即可

3.配置pytorch环境

1.创建虚拟环境（torch）

• 查看是否安装完成

print("CUDA is available" if torch.cuda.is_available() else "CUDA is not available")

2.配置yolov8环境

• 直接按照官网步骤即可。注意换源的问题！

pip install ultralytics

4.配置数据集训练

1.数据集结构

dataset/
├── images/
│   ├── train/
│   │   ├── 00001.jpg
│   │   ├── 00002.jpg
│   │   └── ...
│   ├── val/      # 验证集（有时也叫 valid 或 dev）
│   │   ├── 00003.jpg
│   │   └── ...
│   └── test/     # （可选）测试集
│       ├── 00004.jpg
│       └── ...
├── labels/
│   ├── train/
│   │   ├── 00001.txt
│   │   ├── 00002.txt
│   │   └── ...
│   ├── val/
│   │   ├── 00003.txt
│   │   └── ...
│   └── test/
│       ├── 00004.txt
│       └── ...
└── data.yaml     # 数据集配置文件（最重要！）

2.yaml文件以及作用

1. 给出训练集以及验证集和标签文件等的路径
2. 给出类别等信息

# 定义yolo数据集

# 数据集路径
path: /Users/dsw/workspace/now/Data_Graduation/dataset
train: images/train
val: images/val  
test: images/test  
names:
  0: low   #低速标志
  1: high # 添加一个类别对比

5.训练和预测

按照视频的即可

yolo detect train data=data/mydata.yaml model=yolo11n.pt epochs=100 imgsz=640

6.部署

1.pt格式转换为ncnn

• 安装的时候pnnx可能会下载有点问题，科学上网即可！也可以手动下载后安装

yolo export model=yolo11n.pt format=ncnn # creates '/yolo11n_ncnn_model'

2.使用ncnn推理

• 直接基于yolo框架推理即可，已经集成！

yolo predict model='./yolo11n_ncnn_model' source='https://ultralytics.com/images/bus.jpg'