YOLOv8
YOLOv8 的下载、使用与导出（亲测有效）
一、YOLOv8环境的安装
安装所需软件：推荐安装Anaconda3+Pycharm
1、安装miniconda
miniconda相比于Anaconda功能上并没有相差太多，但它更加的轻量化
但由于从官网下载比较缓慢，所以这里推荐从国内的镜像源下载
[清华大学开源软件镜像站]https://mirrors.tuna.tsinghua.edu.cn/anaconda/miniconda/
想直接下载的点这个： Miniconda3-py38_22.11.1-1-Windows-x86_64.exe
2、conda环境的创建
在电脑下方搜索框里输入cmd，找到Anaconda Prompt
输入以下命令，创建一个叫yolov8的环境
conda create -n yolov8 python=3.8
3、配置国内源（使下载更快）
网址：https://mirrors.tuna.tsinghua.edu.cn/help/pypi/
先激活环境
conda activate yolov8
4、选择CPU还是GPU
①判断是否有NVIDIA显卡
在安装PyTorch之前，我们需要判断您的计算机**是否安装了NVIDIA显卡，**因为PyTorch的GPU版本需要NVIDIA显卡来加速计算。您可以通过以下步骤来判断：
打开设备管理器：在Windows上，按下Win键和X键，然后选择“设备管理器”。在macOS上，打开“系统偏好设置”，选择“硬件”选项卡，然后点击“设备管理器”。
如果有NVIDIA显卡，那么您的计算机适合安装PyTorch的GPU版本。
如果没有NVIDIA显卡，您可以只安装PyTorch的CPU版本
②安装相应的版本
1）安装CPU版本
打开终端：打开 Anaconda Prompt 并激活刚刚创建的虚拟环境
conda activate yolov8pip install torch torchvision torchaudio
2）安装GPU 版本
查看CUDA显卡驱动版本
或者可以在终端里输入：nvidia-smi
5、安装CUDA与CUDNN（可选）
关于是否需要安装CUDA与CUDNN
如果只需要训练、简单推理，则无需安装CUDA与CUDNN，可以直接安装pytorch(可以直接跳过这一步)；如果有部署要求，例如导出TensorRT模型，则需要进行安装
①安装CUDA
CUDA官网：https://developer.nvidia.com/cuda-toolkit-archive
查看是否安装成功，在命令行输入以下指令进行检查，出现以下类似的输出就证明安装成功。
Win+R 输入cmd
nvcc -V
②安装CuDNN（加速器）
官网地址：https://developer.nvidia.com/cudnn
下载完后要解压会得到cudnn-windows-x86_64-9.8.0.87_cuda11-archive文件夹，将这个文件夹复制到CUDA的安装路径下即可
6、安装pytorch
官网网址：https://pytorch.org/
验证pytorch是否安装完成：
1）你可以像我图片一样输入
python
import torch
print(torch.__version__)
print(torch.cuda.is_available())
#分别输入
2）也可以在PyCharm里 输入以下代码验证
import torchprint(torch.__version__)
print(torch.version.cuda)
print(torch.cuda.is_available())先创建一个项目，在项目里创建一个python文件，复制代码，点击运行即可
二、下载Yolov8
1、下载模型
先打开Github:https://github.com/ （需要加速器）
在Github里搜索：ultralytics/ultralytics
2、将项目导入PyCharm
打开你的PyCharm，并创建一个新的项目
右上角新建项目
导入刚才下载的模型
找到刚刚解压好的文件导入
修改环境
如果不行，请在重复一次，看看有没有应用
将你下载的包加载到环境中：
在下面控制台里有一个终端，在终端里输入
pip install -e .
下载完后可以查看一下
pip list
往下可以看到这个，说明没有问题
3、初体验模型
①、体验前先到官网下载一个已经训练好的模型
Ultralytics YOLO：https://docs.ultralytics.com/zh
将下载完的文件复制到ultralytics-8.0.59包里就行了
②、图片体验
最终的效果：
①、在我们的终端上输入（这里用的图片是项目自带的，在ultralytics/assets目录下）
#完整代码
yolo mode = 'predict' task='detect' model='yolov8n.pt' source='./ultralytics/assets/bus.jpg'
#mode:模式---predict:推理预测
#task:任务---detect:检测
#model:模型#简化的代码
yolo predict model='yolov8n.pt' source='./ultralytics/assets/bus.jpg'
#task默认的是detect
#当然source也可以有其他
#source='video.mp4'
#source='screen'检测屏幕
#source=0 检测摄像头
②、或者我们也可以用python代码来检测
创建一个python文件
输入代码
from ultralytics import YOLO
yolo = YOLO("./yolov8n.pt", task="detect")
result = yolo(source="./ultralytics/assets/bus.jpg", save=True)
#如果你不想要将检测完的结果保存可以将save=True删除，不删除的话图片会保存在runs目录下
补充：
如果你的终端是这样的，说明你还没有激活环境，输入conda activate yolov8即可
可用一下代码来查看自己的环境
conda env list
说明现在是用的yolo模型
三、如何导出训练好的模型
如果你自己训练了一个模型想要将模型导出，放进自己的项目里，可以参考一下我下面的方法
1、将训练的YOLOv8模型转换成ONNX文件
①在终端输入这串代码安装onnx
pip install --upgrade onnx
②在PyCharm里创建一个python文件
import argparse
import cv2
import numpy as np
import onnxruntime as ort
import torch
from ultralytics import YOLOfrom ultralytics import YOLO
model = YOLO('yolov8n.pt')
model.export(format='onnx')
然后直接右击点击运行
同时在PyCharm里左侧也会有一个onnx文件
2、将转化好的onnx文件转化成ncnn文件
①现在网上许多的教程都是使用一键转换的网站
一键转换网址：https://convertmodel-1256200149.cos-website.ap-nanjing.myqcloud.com/
但是在我导出时这个网站是失效的，我是导不出来，所以我选择了接下来很麻烦的一种方法
②使用VS来转换（这个方法亲测有效就是太麻烦了，不嫌麻烦的可以跟做）
1）首先先安装Visual Studio: https://visualstudio.microsoft.com/zh-hans/vs/older-downloads/
下载免费的社区版即可，这里我下的是2022版的
记得选择C++桌面开发
2）下载CMake ：https://cmake.org/download/ （根据自己的需求选择）
下载解压好会得到这些文件夹
添加系统环境：点击bin文件，复制路径
退回桌面右击此电脑，点击属性，点击高级系统设置，点击环境变量，找到系统环境里的Path,在path将刚刚复制的路径粘贴，然后一直点确定即可，最后点击Win+R,输入cmd,在里面输入cmake
3)下载Protobuf :https://github.com/google/protobuf/archive/v3.11.2.zip (在浏览器里直接搜就行了)
4）下载ncnn:https://gitcode.com/gh_mirrors/nc/ncnn/tags/20201218?utm_source=csdn_github_accelerator&isLogin=1
这里建议新建一个文件夹，方便后面操作
5)配置环境：
在这个窗口里输入这些代码（依次输入）
Ⅰ、编译Protobuf
这个是Protobuf 3.11.2的根目录，自行更换路径（例如我的就是D:\protobuf\protobuf-3.11.2）
cd <protobuf-root-dir>mkdir build-vs2022cd build-vs2022cmake -G "NMake Makefiles" -DCMAKE_BUILD_TYPE=Release -DCMAKE_INSTALL_PREFIX=%cd%/install -Dprotobuf_BUILD_TESTS=OFF -Dprotobuf_MSVC_STATIC_RUNTIME=OFF ../cmake
如果你在cmake这一步显示的不是图片上的，那么请你输入where nmake指令，检查 nmake 是否在 PATH 中
如果返回空，说明 nmake 不在 PATH 中，可能是 Visual Studio 的 C++ 工具链未正确安装
解决方法：请你找到VS的文件夹
如果没有问题就接着输入
nmake
nmake install
执行完nmake命令出现下面的界面则表示编译成功
执行nmake install进行下载
到此 Protobuf 就算编译完成了
Ⅱ、接下来编译 ncnn
这个ncnn的根目录，自行更换路径（例如我的就是D:\ncnn\ncnn-20201218）
注意：cmake里有三个需要替换
cd <ncnn-root-dir>mkdir build-vs2022cd build-vs2022cmake -G "NMake Makefiles" ^-DCMAKE_BUILD_TYPE=Release ^-DCMAKE_INSTALL_PREFIX=%cd%/install ^-DProtobuf_INCLUDE_DIR=D:\protobuf\protobuf-3.11.2\build-vs2022\install\include ^-DProtobuf_LIBRARIES=D:\protobuf\protobuf-3.11.2\build-vs2022\install\lib\libprotobuf.lib ^-DProtobuf_PROTOC_EXECUTABLE=D:\protobuf\protobuf-3.11.2\build-vs2022\install\bin\protoc.exe ^-DNCNN_VULKAN=OFF ^..
这一步的Cmake指令自己要改的地方挺多的，如果失败了就仔细检查一下，看看版本号是不是与自己的一样，根目录有没有写错
接下来接着输入
nmake
nmake install
执行完nmake命令出现下面的界面
执行nmake install
结束后我们找到ncnn新建的那个build-vs2022文件夹->tools->onnx目录下，这样就可以看到生成了一个onnx2ncnn的exe文件
Ⅲ、下面就可以通过命令将onnx转成ncnn文件了
1）首先我们先进入D:\ncnn\ncnn-20201218\build-vs2022\tools\onnx目录下（终端）
cd.tools
cd.onnx
2)输入代码onnx2ncnn best.onnx best.param best.bin，将上述的best全换成你模型的名字，例如：
onnx2ncnn yolov8n.onnx yolov8n.param yolov8nt.bin
3）找到之前我们转换好的.onnx文件，复制到D:\ncnn\ncnn-20201218\build-vs2022\tools\onnx下
再一次打开onnx文件就能找到.bin和.param文件
接下来就可以通过这两个文件来部署了