YOLOv8入门实战：30分钟搞定环境搭建（Windows/Linux），跑通第一个检测案例

YOLOv8入门实战：30分钟搞定环境搭建（Windows/Linux），跑通第一个检测案例

欢迎来到YOLOv8的入门实战教程！YOLOv8是Ultralytics公司发布的最新一代目标检测模型，集成了先进的计算机视觉技术，在保持高精度的同时拥有极快的推理速度。本文将带你从零开始，在Windows和Linux系统上完成环境搭建，并在30分钟内跑通第一个检测案例。无论你是学生、研究人员还是开发者，只要对深度学习感兴趣，本文都能帮助你快速上手YOLOv8。

1. 环境搭建（Windows & Linux）

在开始之前，请确保你的电脑已安装Python 3.8~3.11版本，并具备基础的命令行操作知识。我们将分别介绍Windows和Linux下的安装步骤。

Windows系统

1. 安装Python（官网下载安装包，勾选“Add Python to PATH”）。
2. 打开命令提示符，创建虚拟环境（可选但推荐）：python -m venv yolov8env，然后激活：yolov8env\Scripts�ctivate。
3. 安装PyTorch：根据你的CUDA版本（或CPU）从官网复制命令，例如pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118。
4. 安装ultralytics包：pip install ultralytics，该包包含了YOLOv8的所有功能。

Linux系统

1. 通常系统自带Python3，建议使用sudo apt install python3-pip安装pip。
2. 创建虚拟环境：python3 -m venv yolov8env，激活：source yolov8env/bin/activate。
3. 安装PyTorch（Linux通常GPU支持更好），同样根据CUDA版本选择命令。
4. 安装ultralytics：pip install ultralytics。

至此，环境搭建部分完成，你已成功配置了YOLOv8的运行环境。

2. 跑通第一个检测案例

YOLOv8提供了非常简洁的API和命令行工具。我们将使用预训练模型yolov8n.pt（nano版本，速度最快）对一张图片进行目标检测。首先，下载一张测试图片（比如巴士图片），然后执行以下命令：

    yolo predict model=yolov8n.pt source="https://ultralytics.com/images/bus.jpg"  

该命令会自动下载模型并运行检测，结果保存在runs/detect/predict目录下。你也可以使用Python脚本：

    from ultralytics import YOLOmodel = YOLO("yolov8n.pt")results = model("https://ultralytics.com/images/bus.jpg")results[0].show()  

运行后你会看到检测框标注的图片。这就是你的第一个YOLOv8检测案例！

3. 结果展示

下面是一个示例输出，展示了YOLOv8对一张街道图片的检测效果（图片来自官方示例）：

可以看到，模型准确识别了行人、汽车、交通信号灯等物体，体现了深度学习在计算机视觉中的强大能力。通过YOLOv8，你可以轻松在自己的数据集上训练定制化的检测器。

4. 总结与展望

恭喜你！在30分钟内成功完成了YOLOv8的环境搭建并跑通了第一个目标检测案例。YOLOv8不仅支持检测，还支持实例分割、分类、姿态估计等任务，是计算机视觉入门的绝佳选择。接下来你可以尝试使用自己的图片或视频进行检测，甚至训练自定义模型。如果在过程中遇到问题，欢迎查阅官方文档或社区讨论。希望本文能为你开启深度学习之旅提供帮助！