YOLOv8於2023年由Ultralytics釋出(YOLOv5作者)，相較於以前的版本速度及準確度都有明顯提升，以下簡單說明基本環境與訓練、預測的教學。
環境部屬
1. 首先下載相對應的CUDA，以及cuDNN
我們可以從NVIDIA官網下載，選定你的作業系統以及想要下載的版本，須注意顯卡所支援的版本
接著下載對應的cuDNN，另外提醒，cuDNN需註冊會員才能下載
把 C:\Users<username>\Downloads\cuda\bin 資料夾內檔案複製到
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.1\bin把 C:\Users<username>\Downloads\cuda\include 資料夾內檔案複製到
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.1\include把 C:\Users<username>\Downloads\cuda\lib\x64 資料夾內檔案複製到
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.1\lib\x64
2. 安裝Python，作者使用的是Anaconda來建置虛擬環境，好處為可以在同一台電腦上安裝不同的python版本，環境之間也不會汙染，較容易維護
3. 安裝pytorch，到pytorch的官網上找到對應的版本進行安裝
安裝完後可以在CMD中打上torch.cuda.is_available()，確認是否安裝成功以及是否有啟動cuda
4. 到Github上下載YOLOv8，可以直接download整個zip檔，也可以使用git clone來下載
到目前為止，基本環境已建置完成，接著我們要開始部屬我們的資料
YOLOv8訓練
1. 資料集配置
將我們的資料切分成訓練，驗證以及測試三個部分，結構如下：
images為存放圖片的資料夾，labels則是相對應的圖片的標註檔，標註的資料須依照YOLO的格式，這邊可用LabelImg來進行。
2. yaml參數檔配置
將train，val和test的路徑改為剛剛配置好的資料夾路徑，Classes則依照自己的label所定義名稱
3. 模型選定
接著需選定一個YOLOv模型來進行訓練，官網上提供了一些基本的預訓練模型可供下載來使用
模型下載網址：https://github.com/ultralytics/ultralytics
或是也可以train from scratch，在YOLOv8的資料夾中作者也附上了各個Model的yaml檔供使用
4. 開始訓練
準備好所有資料後就可以開始訓練，訓練的方法有兩種，第一種可以參考YOLOv8官網提供的documents，直接在CMD下執行
yolo detect train data=data.yaml model=yolov8n.pt epochs=100 imgsz=640 device=0也可以過python腳本指令進行訓練
from ultralytics import YOLO
model = YOLO('yolov8n.pt')
results = model.train(data='path yo your data.yaml',
epochs=100,
batch=64,
imgsz=640,
device=0,
)其中device參數若未指定則會使用GPU進行訓練，device=0即使用第一張GPU卡，也可device=0,1使用2張卡來進行運算，而device=cpu即使用CPU來運算
接著直接執行train.py，訓練完的資料會儲存在runs/detect/train底下，訓練好的模型會放在weights底下，接下來我們要教如何使訓練好的模型來進行測試
5. 測試模型訓練結果
跟訓練一樣，有兩種方式進行測試，一種為YOLOv8官網提供的documents，直接在CMD下執行
yolo detect predict model=best.pt source=test/images save=true另一種為python執行檔
from ultralytics import YOLO
model = YOLO("best.pt")
source="test/images"
result = model.predict(source, imgsz=640, stream=True, save=True)save = True代表會將預測到的BBOX畫在影像上並儲存下來，還有其他參數可以設定，可自行到YOLOv8官網上查詢
以上即是YOLOv8的訓練以及測試教學，感謝您的觀看 😍
