一、环境配置

1、下载源码

git clone https://github.com/ultralytics/ultralytics.git

2、安装python包

pip install -r requirements.txt

3、安装ultralytics

# 在ultralytics-main的文件目录里面，运行以下命令
pip install -e .

4、测试ultralytics是否安装成功，运行以下的pytho

import ultralytics
ultralytics.checks()

反馈以下结果，则说明ultralytics安装成功

Ultralytics YOLOv8.0.175 🚀 Python-3.8.18 torch-2.0.1+cu117 CUDA:0 (NVIDIA GeForce RTX 2080 SUPER, 7974MiB)
Setup complete ✅ (16 CPUs, 31.3 GB RAM, 257.3/884.8 GB disk)

二、模型测试

YOLOv8 可以直接在命令行界面 (CLI) 中使用“yolo”命令来执行各种任务和模式，并接受其他参数，即“imgsz=640”。

运行yolov8的目标检测模型

yolo task = predict model = yolov8n.pt source = '/**/1.jpg'

运行yolov8-seg的目标检测与分割模型

yolo task = segment mode = predict model = yolov8n-seg.pt source = '/**/1.jpg'

运行yolov8-cls的分类模型

yolo task = classify mode = predict model = yolov8n-cls.pt source = '/**/1.jpg'

运行yolov8-pose的目标检测与姿态模型

yolo task = pose mode = predict model = yolov8n-pose.pt source = '/**/1.jpg'

三、模型训练

训练yolov8的目标检测模型

yolo detect  train data=./ultralytics/cfg/datasets/coco128.yaml  model = yolov8n.yaml imgsz = 416

备注：

修改图片尺寸可以在命名行中指定imgsz，或者在default.yaml中指定
model可以是预训练模型，也可以yaml文件，其中yolo后面加的n或者s等等来决定采用哪种模型尺寸

训练yolov8的目标检测与姿态模型

yolo pose  train data=./ultralytics-main/ultralytics/cfg/datasets/coco128.yaml  model = yolov8n-pose.yaml

报了以下错误

  File "/home/**/yolov8-python/ultralytics-main/ultralytics/data/dataset.py", line 122, in get_labels
    len_cls, len_boxes, len_segments = (sum(x) for x in zip(*lengths))
ValueError: not enough values to unpack (expected 3, got 0)

这个错误，可能是官方提供的最新代码(时间截至到2023年9月12号)有问题，可以尝试使用旧一点的版本。

导出onnx模型

yolo export model=/**/weights/best.pt format=onnx opset=12

备注：
在需要训练自己的数据集、更改训练的配置参数或者模型网络结构
修改地方的主要是数据集yaml文件(例如coco128.yaml,或者创建一个自己数据集的yaml文件)、配置参数default.yaml(里面包括很多参数，包括图片尺寸、是否使用预训练权重等等)及模型网络结构yaml文件(例如yolov8.yaml)