前言

安装过程中发现，YOLO V8一直在更新，现在是2023-9-20的版本，已经和1月份刚发布的不一样了。

eg: 目录已经变了，旧版预测:在ultralytics/yolo/v8/下detect

新版：ultralytics/models/yolo/detect/predict.py

1.安装

1.1下载源码

下载地址：

GitHub - ultralytics/ultralytics: NEW - YOLOv8 🚀 in PyTorch > ONNX > OpenVINO > CoreML > TFLite

ps:有时候可能打不开，多试几次

点击code 下载zip包

1.2.下载后解压，在pycharm中打开

1.3.安装依赖

在pycharm中Terminal 中执行：

pip install -r requirements.txt

在 Interpreter 中重点看下，有没有 ultralytics 包

1.4 下载模型权重文件

下载地址：

https://github.com/ultralytics/assets/releases/download/v0.0.0/yolov8n.pt

或者从我上传的下载（不要积分！）

https://download.csdn.net/download/hzp666/88359929

下载好放到ultralytics/models/yolo/detect 目录下

模型权重当然有很多版本，在readme中有讲解，回头可以再看。

至此环境基本上，大功告成！

（不要搞什么conda了，简单就完了，费啥牛鼻子劲！！！）

2.使用

找到 ultralytics/models/yolo/detect 目录

增加一个文件，写个main 方法

main 文件内容（就1行！）：

from ultralytics import YOLO as yolo

if __name__ == '__main__':
    yolo().predict(model='yolov8n.pt',source='../../../assets/video(1).mp4',save=True)

ps：model 就是指定模型权重文件，  source 就是指定 图片/视频路径（项目自带了2个图片）

save ：就是要报存下来，不然就只返回list，如下图 4person  1 bus  ...（就这个save参数，搞劳资半天，艹）

运行main 函数：

输出结果：

当你看到saved to  那恭喜你成功了。

然后到save目录，查看检测结果图片。

补充：

什么是 TorchScript？

PyTorch 无疑是现在最成功的深度学习训练框架之一，是各种顶会顶刊论文实验的大热门。比起其他的框架，PyTorch 最大的卖点是它对动态网络的支持，比其他需要构建静态网络的框架拥有更低的学习成本。PyTorch 源码 Readme 中还专门为此做了一张动态图：

对研究员而言， PyTorch 能极大地提高想 idea、做实验、发论文的效率，是训练框架中的豪杰，但是它不适合部署。动态建图带来的优势对于性能要求更高的应用场景而言更像是缺点，非固定的网络结构给网络结构分析并进行优化带来了困难，多数参数都能以 Tensor 形式传输也让资源分配变成一件闹心的事。另外由于图是由 python 代码构建的，一方面部署要依赖 python 环境，另一方面模型也毫无保密性可言。

而 TorchScript 就是为了解决这个问题而诞生的工具。包括代码的追踪及解析、中间表示的生成、模型优化、序列化等各种功能，可以说是覆盖了模型部署的方方面面。今天我们先简要地介绍一些 TorchScript 的功能，让大家有一个初步的认识，进阶的解读会陆续推出～