提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档
一、环境配置
首先推荐使用anaconda作为你的python环境，接下来的演示为pycharm
已经学习到了YOLOv8，就默认大家都不是小白了。
conda create -n YOLOv8 python=3.8 #创建YOLOv8的环境
conda activate YOLOv8 #激活环境
建好环境后，安装pytorch
我这里提供两个选择，看自己的电脑适配哪个
CUDA 11.6
pip install torch==1.12.0+cu116 torchvision==0.13.0+cu116 --extra-index-url https://download.pytorch.org/whl/cu116
CUDA 11.3
pip install torch==1.12.0+cu113 torchvision==0.13.0+cu113 --extra-index-url https://download.pytorch.org/whl/cu113
torch的版本最好==1.12.0+
接下来安装依赖包
pip install ultralytics #YOLOv8高度集成，如果你仅仅只是为了使用，只需要这一个包即可，超级方便。
如果你需要修改代码，那就有点麻烦了，这篇文章介绍怎么使用，如何修改后面再讲。
二、数据集准备
准备一份YOLO系列的数据集，这里就不演示voc转txt了，自己准备一个现成的就好。
如果玩过YOLOv5 的，数据集直接可以拿来用。
数据集放在YOLOv8的大目录下
data.yaml文件放在如图目录下
yaml 的格式可以仿照YOLOv8里的coco.yaml 也是沿用YOLOv5的格式，亲测没有问题。
3、效果演示
打开pycharm，导入环境，打开项目
ultralytics/cfg/default.yaml 按照路径找到default.yaml，版本迭代的原因，可能路径会不一样。
下面是相关参数，可以了解一下
task按自己需要，检测，分类，分割都可以
mode：看你当下是要训练还是验证或者预测
model：yolov8n.pt,或者yolov8n.yaml 如果是yaml就是从零开始训练
data：填写你的训练集的yaml文件名
works：最好设置为0 部分人可能会报错
到这里最基础参数就配置成功了。
接下来 打开pycharm的终端，就是最底下的一行
选择这一个
在终端输入以下代码其中yolo cfg= 是固定的
后缀是default.yaml的路径
yolo cfg=ultralytics/cfg/default.yaml
训练开始
验证
需要注意的是需要把mode改为val，然后Train settings中的model参数修改为你训练保存的模型文件，如下：
yolo cfg=ultralytics/cfg/default.yaml
验证集测试结果如下：
推理
下拉找到source 输入你需要推理的图片的地址
yolo cfg=ultralytics/cfg/default.yaml
结果如下
对于不需要改动YOLO的使用者来说，高度集成后的v8特别方便，简单易上手。