目录
- 0.说明
-
- 0.1 为什么使用YOLOv8，不使用YOLOv11？
- 0.2 pip install ultralytics下载了yolo库，那通过源码下载解压后的ultralytics呢？
- 0.3 YOLO官方使用文档
- 0.4 通过pip install ultralytics下载yolo之后，如何确认当前的yolo版本是yolov8还是yolo11？
- 1.yolo11
-
- 2.yolov8
-
- 2.1 环境准备
- 2.2 yolov8测试运行
- 2.3 模型训练
-
- 2.3.1 对象检测
- 2.3.2 实例分割
-
- 2.3.2.1 数据集准备
- 2.3.2.2 模型训练
- 2.3.2.3 将训练好的.pt模型转换为.onnx和.rknn
- 2.3.2.4 在PC端Linux系统下进行交叉编译生成可执行文件可以拷贝到板端直接运行
- 2.3.2.5 板端 C Demo 推理
- 3.模型训练部署的常见错误
-
- 3.1 训练过程中报错：torch.OutOfMemoryError: CUDA out of memory.
- 3.2 训练调参的tips
0.说明
0.1 为什么使用YOLOv8，不使用YOLOv11？
- 看了瑞芯微官网：https://github.com/airockchip/rknn_model_zoo/tree/main/examples 其中推理部分只有yolo11，应该是只有yolo11的detect部分，没有提供segment的示例代码，所以这里选择
YOLOv8模型，后续需要用segment部分。
（PS：后面有时间可以研究下yolo11-segment的后处理部分，应该和v8相差不多）
- 下面是瑞芯微官方提供的后处理代码示例，其中有C++的
0.2 pip install ultralytics下载了yolo库，那通过源码下载解压后的ultralytics呢&#x
