YOLOv8快速入门视频 本教程将指导您从环境配置到实际应用，快速掌握使用YOLOv8进行目标检测的基本流程。
Yolo_Fast_Tutorial/
├── 1 Python Enviroment/ # Python环境配置
├── 2 Cuda/ # CUDA配置
├── 3 Yolo Enviroment/ # YOLO环境配置
├── 4 Detect Picture/ # 图像目标检测示例
├── 5 Realtime Dectect/ # 实时目标检测示例
├── LICENSE
└── README.md # 项目说明文档
首先需要安装Python和PyCharm开发环境：
- Python官网：www.python.org
- PyCharm官网：https://www.jetbrains.com/pycharm/download
为了加速深度学习计算，我们需要配置CUDA环境：
- PyTorch官网：https://pytorch.org
- CUDA安装地址：https://developer.nvidia.com/cuda-toolkit-archive
请根据您的显卡型号选择合适的CUDA版本。
在命令行中执行以下命令安装YOLO相关依赖：
# 安装ultralytics包（YOLOv8的官方库）
pip install ultralytics -i https://pypi.tuna.tsinghua.edu.cn/simple
# 卸载可能存在的不兼容版本
pip uninstall torch
pip uninstall torchvision
# 安装对应CUDA版本的PyTorch（示例为CUDA 12.1）
pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121使用TorchSupport.py检查PyTorch环境是否正确配置：
import torch
def checkTorch():
print("torch版本", torch.__version__)
print("GPU是否可用", torch.cuda.is_available())
print("GPU个数", torch.cuda.device_count())
print("对应cudnn版本号", torch.backends.cudnn.version())
print("对应cuda版本号", torch.version.cuda)
print("--------------------------------------------------")
# 查看torchvision和torch版本是否匹配
import torchvision
print(torch.__version__)
print(torchvision.__version__)
if __name__ == "__main__":
checkTorch()在4 Detect Picture目录中，我们提供了一个简单的图像目标检测示例：
- YoloObjectDetection.py：YOLO目标检测的核心实现类
- Main.py：主程序，演示如何使用YOLO进行图像检测
使用方法：
- 将需要检测的图片命名为
test.png，放在该目录下 - 运行
Main.py - 检测结果将保存在
save.png中
在5 Realtime Dectect目录中，我们提供了一个实时屏幕截图目标检测示例：
- YoloObjectDetection.py：YOLO目标检测的核心实现类
- Main.py：主程序，演示如何进行实时目标检测
使用方法：
- 运行
Main.py - 程序会实时截取屏幕左上角区域（可在代码中修改
rect变量调整截取区域） - 按
Q键退出程序
class YoloObjectDetection:
mModel = None
mDetectResult = []
def __init__(self):
# 加载YOLOv8模型
self.mModel = YOLO('yolov8n.pt', verbose=False)
# 进行目标检测
def detectObjects(self, img):
# 调用YOLO模型进行预测
results = self.mModel(img, stream=True, verbose=False)
# 处理检测结果...
# 在图像上标记检测结果
def labelImg(self, img, detectResult=None):
# 在图像上绘制边界框和标签...- 确保您的电脑有NVIDIA显卡并正确安装了CUDA
- 首次运行时，YOLOv8模型会自动下载
- 可以修改代码中的参数，如检测阈值、显示方式等
- 实时检测可能会占用较高的系统资源
本项目采用MIT许可证。详见LICENSE文件。