环境安装
使用虚拟环境conda,电脑上安装anaconda。
创建新的conda环境：
conda create --name ultralytics-env python=3.8 -y
激活环境：
conda activate ultralytics-env
安装yolo：
conda install -c conda-forge ultralytics
安装PyThorch（要下载很久很久）：
在官网找到pip的下载连接：https://pytorch.org/get-started/locally/
推理
运行官方例子：
from ultralytics import YOLO
# Load a pretrained YOLOv8n model
model = YOLO('yolov8n.pt')
# Define path to video file
source = 'path/to/video.mp4'
# Run inference on the source
results = model(source, stream=True) # generator of Results objects
for result in results:
boxes = result.boxes # Boxes object for bbox outputs
masks = result.masks # Masks object for segmentation masks outputs
keypoints = result.keypoints # Keypoints object for pose outputs
probs = result.probs # Probs object for classification outputs
少什么装什么
在Windows的Conda环境中解决缺少GStreamer插件的问题，
安装GStreamer库和插件。可以使用Conda包管理器来安装GStreamer及其相关的插件：
conda install -c conda-forge gstreamer
安装GStreamer的好用的Python绑定库：
conda install -c conda-forge pygobject
安装GStreamer的Python绑定库（Gst-Python）：
conda install -c conda-forge gst-python
安装OpenCV（如果尚未安装）：
conda install -c conda-forge opencv
其他训练方式和返回方式各种接口官方都有演示
训练
标注图片
安装labeling
pip install labelImg
运行
labelImg
标注之后就可以训练
yolo detect train data=coco128.yaml model=yolov8n.yaml pretrained=yolov8n.pt epochs=100 imgsz=640
这里卡了一会，一直没有搞明白coco128.yaml怎么来的
data=coco128.yaml这个在官方源码内有，复制粘贴就行，就是一个指示训练位置的一个配置文件。将内容path、train、val、test进行填写就行，分别是文件夹位置，文件夹位置下的训练集、验证集、测试集、下边的names就是对应标注的文件类别。比如我整套文件就是为了识别马里奥的，那么就一个种类是马里奥……，如果带上桃子公主，库霸王，那就是三个类。
# Ultralytics YOLO 🚀, AGPL-3.0 license
# COCO128 dataset https://www.kaggle.com/ultralytics/coco128 (first 128 images from COCO train2017) by Ultralytics
# Documentation: https://docs.ultralytics.com/datasets/detect/coco/
# Example usage: yolo train data=coco128.yaml
# parent
# ├── ultralytics
# └── datasets
# └── coco128 ← downloads here (7 MB)# Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..]
path: /Users/zhang/yolo/datasets/trainzz # dataset root dir
train: images/train2017 # train images (relative to ‘path’) 128 images
val: images/train2017 # val images (relative to ‘path’) 128 images
test: # test images (optional)# Classes
names:
0: person
1: bicycle
2: car
3: motorcycle
4: airplane
5: bus
model=yolov8n.yaml
这个是选择对应模型的配置文件填写对应位置就行
pretrained=yolov8n.pt
这个是选的模型位置
剩下两个参数是训练次数和图片大小
对应的配置文件位置可以填相对路径也可以填绝对路径。
理解参数之后运行就可以，会在当前运行目录生成\runs\detect\train，根据训练的不同次数生成\train*
在\train*\下就是训练的可视化的一些展示。一些数据的统计。
生成的模型在\train*\weights\下。一般两个 last.pt 和best.pt。
如果是完整训练完了两个没区别。
转化
官网给的参数很全
yolo export model=yolov8n.pt format=onnx
对应参数表，有对应的量化简化之类的。
使用
使用的方式太多了。能想到就能用上。