前言：如果大家想第一次就跑通yolov8，最好和博主下载的版本一样，要不很大概率出现不兼容的问题，这也是博主走了很多的弯路，才总结出的经验，若有不足，恳请读者批评与指正。

一、yolov8是什么，有什么用？

YOLOv8 是 Ultralytics 公司开发的实时目标检测算法，属于 YOLO（You Only Look Once）系列的一个版本。它通过单次神经网络前向传播即可识别图像中的物体位置和类别，以速度快、精度高著称。

二、配置环境

1.下载anaconda

（1）打开anaconda的官网：Download Anaconda Distribution | Anaconda

 这个版本无所谓，b站上有很多下载教程，下一个就行。

（2）配置系统环境（重点）： 配置系统环境，如果不配置会导致在pycharm中识别不到anaconda的环境。

（3）验证anaconda

在开始菜单中，搜索anaconda prompt并且打开，  输入

conda --version

命令，如果输出版本则表面anaconda安装成功。

2.下载pycharm

如果你是学生，那你最好别下载2025版或者最新版的，因为最新版本的pycharm专业版已经和社区版合并了，没法进行破解，当然了，博主不是宣传盗版，只是考虑到学生党没有资金来源，但又需要这些功能，博主还是建议大家购买正版的。

附2024pycharm专业版的安装包及破解：通过网盘分享的文件：pycharm2024专业版 链接: https://pan.baidu.com/s/1PwddLQUnojRok2-AimHhBA?pwd=8dbp 提取码: 8dbp2

下载安装即可，注：不需要额外安装python，因为anaconda可以创建包含python版本的虚拟环境

3.下载CUDA

(1)先看一下自己电脑是否是NVIDIA的独立显卡，如果不是的话，无需下载CUDA

如果只有一个GPU那大概率是集显，GPU1一般代表了独立显卡。如果不是NVIDIA的独立显卡，不建议在本地跑深度学习代码，第一太慢，第二不一定能带的起来。可以在网上租服务器跑，这样既省了在本地配置环境，还能运行的更快。博主有时间会出一期怎样租GPU跑深度学习代码。

（2）查看自己当前支持的cuda版本

win+r,输入cmd，打开命令窗口，输入

nvidia-smi

注意：这个地方的CUDA Version:13.0并不是说自己电脑已经有CUDA了，而是当前电脑支持的CUDA最高版本，如果自己电脑支持的cuda版本过低（小于12.6），则可以去NVIDIA官网上更新一下驱动，在这就不细讲了，可以b站搜索更新一下驱动。

（3）cuda安装地址：CUDA Toolkit Archive | NVIDIA Developer

点击12.6.1版本下载，然后安装，默认安装就行，不需要更改任何东西。

注：博主下载的是CUDA12.6.1的版本，别下载cuda13的版本，因为很少有pytorch版本能兼容。

（4）验证CUDA是否安装成功

打开命令窗口，输入

nvcc --version

你会看到类似这样的输出，说明CUDA安装成功，如果提示‘nvcc’ 不是内部或外部命令，也不是可运行的程序或批处理文件。则说明CUDA没有成功安装。

 4.安装pytorch

（1）打开anaconda prompt,创建一个新的虚拟环境

conda create -n pytorch310 python=3.10

（2）激活新的虚拟环境

conda activate pytorch310

此时发现左边已经从（base）变成了（pytorch310）

（3）输入

pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121

注意1：如果开着科学上网的工具，需要关闭系统代理，要不会因为网络问题下载不成功。

注意2：安装这个版本的pytorch尽量和博主用的CUDA版本保持一致，因为这个版本的pytorch是和CUDA12.6是兼容的。

 5.同时验证pytorch和cuda（整体验证）

（1）打开pycharm,新建一个项目，选择自己刚刚创建的虚拟环境pytorch310。

（2）新建一个python文件，并请输入以下python代码，运行

import torch
print(f"PyTorch版本: {torch.__version__}")
print(f"CUDA可用: {torch.cuda.is_available()}")  # 期待输出 True
print(f"GPU数量: {torch.cuda.device_count()}")   # 期待输出 1

如果输出和以上一样，则表明pytorch和cuda以正确安装，并且pytorch能正常通过cuda调用GPU。

以上环境配置完毕！

三、下载yolov8

为了方便大家运行，我将代码，权重及数据集一同打包，大家直接下载解压就行。

下载链接：通过网盘分享的文件：yolov8.zip
链接: https://pan.baidu.com/s/1i5nx52_qsEwbnsxnoPra_A?pwd=rjfk 提取码: rjfk

（1）解压成功后，通过pycharm打开，打开之后是这样的。

 

（2）然后更换环境，在pycharm界面中点击右下角环境

（3）在pycharm中打开终端，并且激活pytorch310环境

 conda activate pytorch310

（4）输入训练命令

yolo task=detect mode=train model=yolov8n.pt data=dataset/data.yaml epochs=20 imgsz=640 batch=8 device=0

参数含义：

• task=detect - 任务类型：目标检测

• mode=train - 模式：训练

• model=yolov8n.pt - 使用YOLOv8n纳米模型作为预训练权重

• data=dataset/data.yaml - 数据集配置文件路径

• epochs=20 - 训练轮数：20轮

• imgsz=640 - 输入图片尺寸：640x640像素

• batch=8 - 批次大小：8张图片/批次

• device=0 - 使用GPU设备（GPU 0）

（5）训练成功

（6）训练后，喂模型图片，看是否能准确识别。在yoloV8文件中，我已经在文件夹test_images中加入测试图片，所以现在只需运行

yolo task=detect mode=predict model=runs/detect/train13/weights/best.pt source=test_images/ show=True

参数说明：

• task=detect - 任务类型：目标检测

• mode=predict - 模式：预测/推理

• model=... - 使用训练好的模型权重文件

• source=test_images/ - 预测的图片源文件夹

• show=True - 实时显示检测结果

运行完毕后，在runs\detect\predict文件夹中可以查看模型推理结果。

恭喜你，已经成功跑通yolov8！

四、期间可能遇到的问题

1.在输入训练代码后，报错

OMP: Error #15: Initializing libiomp5md.dll, but found libiomp5md.dll already initialized.
OMP: Hint This means that multiple copies of the OpenMP runtime have been linked into the program. That is dangerous, since it can degrade performance or cause incorrect results. The best thing to do is to ensure that only a single OpenMP runtime is linked into the process, e.g. by avoiding static linking of the OpenMP runtime in any library. As an unsafe, unsupported, undocumented workaround you can set the environment variable KMP_DUPLICATE_LIB_OK=TRUE to allow the program to continue to execute, but that may cause crashes or silently produce incorrect results. For more information, please see http://www.intel.com/software/products/support/.

发生原因：程序的主要问题是与 OpenMP（并行计算库）相关的多个 libiomp5md.dll 实例冲突。因为系统中存在多个版本的 OpenMP 库，导致程序初始化时发生冲突。

解决办法一：在命令窗口（pytorch310环境）输入

set KMP_DUPLICATE_LIB_OK=TRUE

再次运行训练代码。

解决办法二：重新创建一个虚拟环境

---

总结

如果觉得对你有用的话，就点个收藏和赞，再次感谢各位，期待与各位共同进步！