大家好，今天给大家带来的是Anaconda的安装并且利用Anaconda安装和配置YOLOv8。【Windows下】
下载Anaconda
1、官方渠道下载
这里是Anaconda的官网
这里是Anaconda的下载页
或者点击此处直接开始下载（版本：Anaconda3-2024.10-1-Windows-x86_64）
2、网盘下载
百度网盘链接，提取码：mAge，（版本：Anaconda3-2024.10-1-Windows-x86_64）
安装Anaconda
这里的安装比较简单，只要注意选择安装路径不要在C盘，不要有中文路径即可。
（不放心的小伙伴可以在本站搜索其他人的文章，这里帮你编辑好了链接，点一下直接搜索）
下载CUDA和cuDNN（选看）
如果使用CPU运算可以跳过这个步骤。
如果采用GPU运算，则CUDA必须要下载，同时，CUDA版本必须与显卡驱动兼容。
这里提供一篇参考文章，可以按照这个安装CUDA和cuDnn
这里对CUDA和cuDNN进行解释（参考文章中没有提到）
CUDA（Compute Unified Device Architecture）是 NVIDIA 开发的一种并行计算平台和编程模型，它允许开发者利用 NVIDIA GPU来进行 通用计算任务（GPGPU，General-Purpose computing on Graphics Processing Units）。【也被戏称为NVIDIA的护城河】
通过 CUDA，开发者可以编写程序来执行复杂的计算任务，如机器学习、图像处理、科学模拟等，并显著加速这些任务的处理速度。
cuDNN（CUDA Deep Neural Network library）是 NVIDIA 提供的一个深度神经网络库，旨在加速深度学习应用中的常见操作。它特别针对 GPU 优化，能够显著提高训练和推理的效率。
创建和配置环境（YOLOv8）
这里提供两种配置环境的方法
第一种：利用Anaconda Navigator的可视化创建环境，如下：
（这个嘎嘎慢，等的急人，建议还是下面的终端命令行）
安装好了Anaconda后，电脑上会出现Anaconda Navigator应用程序。
找不到的可以在搜索栏搜索打开，如图：
打开后按照下图中的序号操作：（名字随意，不带中文）
值得注意的是，这里建议选择python3.8.X版本，其他Python版本可能出现不兼容的情况。
接下来就需要等待一段时间，等待环境初始化。
初始化完成后，在此处打开终端，如图：
打开终端后，在路径的前面显示了刚刚为环境取的名字，就是成功了。
接下来安装YOLOv8和必要工具
在刚刚打开的终端内输入下面的命令
（当前pip方式提供的yolo版本最高且默认为8.3.55）（日期：2024.12.29）
pip install ultralytics //安装依赖库，包括NumPy、PyTorch等
pip install labelimg //在环境中安装labelimg（图形化图像标注工具）
安装完成后，使用下面命令查看版本号，检验是否配置成功
yolo -v //显示版本号就是成功
labelimg //出现一个程序窗口就是成功
接下来提供第二种方法：终端命令行方式创建
执行下面命令创建环境（依然推荐使用python3.8）
conda create -n yolov8 python=3.8
过程中需要交互一次，键入Y即可
使用（conda create -n yolov8 python=3.8 -y）命令可以避免交互
创建完成后，输入下面这条命令检验创建是否成功
conda env list
回显有刚刚创建的名字就是成功了。
键入如下命令，进入环境（激活环境）
conda activate yolov8
进入成功后，路径的前面会出现环境名称
使用下面命令安装YOLOv8
pip install ultralytics
pip install labelimg
安装完成后，使用下面命令查看版本号，检验是否配置成功
yolo -v
labelimg
至此，环境配置成功。但是想要运行YOLO，光有环境不行，还需要源码，即具体实现。
下面将下载YOLO源码，并进行测试。
测试阶段（YOLOv8）
第一步，下载YOLOv8源码
可以官网下载，点击跳转仓库页，或者点击此处直接下载
网盘链接（分享日期：2024.12.29）
第二步，解压，注意路径不能有中文
第三步，在激活环境的情况下，进入刚刚解压的文件夹
（ps：dir查看目录，cd进入目录，键入盘符加英文冒号跳转盘符e：）
第四步，对 预测，训练，验证 算法进行测试
训练-测试
为该测试数据集，这里直接下载coco128样本。点击此处下载（来源GitHub）
网盘链接：点击此处直接跳转
下载下来后，解压到文件夹./ultralytics-main/datasets下（没有这个文件夹就手动创建一个）
选择yolov8n模型，利用coco128数据训练。epochs为遍历数据集次数，imgsz规范输入图片大小
(如果没有事先下载这个数据集，会通过coco128.yaml配置文件进行下载，但是会比较慢)
yolo train model = yolov8n.pt data = coco128.yaml epochs = 10 imgsz = 640遍历过程：
模型的结构概要和在该数据集上的评估结果：
回显：
进入文件夹./ultralytics-main/runs/detect/train下查看预测文件，如图：
验证-测试
选择yolov8n模型，利用coco128数据验证
yolo val model = yolov8n.pt data = coco128.yaml模型结构概要、数据集扫描结果以及各个类别的性能评估指标
打开文件夹./ultralytics-main/runs/detect/val查看预测文件
预测-测试
1、使用自带的yolov8n模型，device等于0表示使用GPU-0进行预测，即使用检测到的首个GPU或主GPU进行预测（这个设置服务于有多个GPU的系统）
2、如果是用CPU处理则置device=cpu
# GPU预测 yolo predict model=yolov8n.pt source='ultralytics/assets/bus.jpg' device=0 # CPU预测 yolo predict model=yolov8n.pt source='ultralytics/assets/bus.jpg' device=cpu回显：
打开文件夹./ultralytics-main/runs/detect/predict，查看预测效果，如图：
测试成功，配置完成。
参考文章2024最新的YOLOv8安装配置全流程，来自桃之夭夭ღ
