目录

YOLOv8 超详细小白教程（毕设必看）——Windows、PyCharm +conda+ LabelImg +GPU训练自己数据集训练

一、PyCharm 安装（保姆级）

1. 下载与安装

2. 配置 Python 环境（conda创建虚拟环境）

3. 下载yolov8源码，在pycharm中进行配置

二、GPU 环境配置（Windows + NVIDIA CUDA）

1. 检查 GPU

2. 安装 CUDA & cuDNN（参考上一篇博客）

3. 安装 GPU 版 PyTorch

三、LabelImg 标注（标注自己数据集）

1. 安装 LabelImg

2. 启动 LabelImg，在cmd中输入labelimg

3. 转换为 YOLO 格式

4. 整理数据集结构

四、自定义 YOLOv8 数据集训练

1. 创建数据集 YAML 文件

2. 开始训练

3. 查看训练效果

五、模型推理（验证效果）

六、小贴士 & 注意事项

七、总结

---

YOLOv8 超详细小白教程（毕设必看）——Windows、PyCharm +conda+ LabelImg +GPU训练自己数据集训练

YOLOv8 是 Ultralytics 最新推出的目标检测与实例分割模型，训练速度快、效果好，非常适合毕业设计。本文将从 环境安装、GPU 配置、PyCharm 使用、LabelImg 数据标注、训练自己数据集 全流程详细讲解，让小白也能轻松上手。

---

一、PyCharm 安装（保姆级）

1. 下载与安装

1. 访问官网：Download PyCharm: The Python IDE for data science and web development by JetBrains

2. 下载 Community（免费）或 Professional 版本

3. 双击安装包 → Next → 选择路径 → 勾选“Add to PATH”和“Create Desktop Shortcut” → Install → Finish

2. 配置 Python 环境（conda创建虚拟环境）

桌面右击，在终端打开。输入下面指令

conda create -n yolov8 python=3.8

conda activate yolov8

pip install ultralytics==8.0.73

        我用的是8.0.73的版本，和我其他项目关联比较深。太新的版本，有时候兼容性有问题。

3. 下载yolov8源码，在pycharm中进行配置

源码地址：https://github.com/ultralytics/ultralytics/tree/v8.0.73

1. 打开 PyCharm → File → Settings → Project → Python Interpreter → Add

2. 选择 Conda Environment（推荐 GPU 环境用 conda）或 System Interpreter

3. 安装必要库（可后续用 pip 安装 YOLOv8、torch 等）

下载好解压之后用pycharm进行打开，然后把interpreter设置为刚刚创建的虚拟环境

安装验证

新建一个python文件

from ultralytics import YOLO

model = YOLO('yolov8n.pt')  # 加载官方预训练模型
model.info()                # 查看模型信息

这里面的yolov8n.pt是预训练权重。

预训练权重的下载：源码下载界面中的docs/tasks/detect文件中往下翻，找到yolovn8的预训练权重，点击下载，然后把下载好的文件放在项目代码的根目录下。

---

二、GPU 环境配置（Windows + NVIDIA CUDA）

YOLOv8 可以使用 GPU 提升训练速度，以下是详细步骤：

1. 检查 GPU

在命令行输入：

nvidia-smi

如果显示显卡信息，说明 GPU 驱动正常。

2. 安装 CUDA & cuDNN（参考上一篇博客）

参考地址：【保姆级】在Windows系统环境下安装CUDA 11.8和cuDNN v8.9.0的详细指南，配套tensorrt8.6使用-CSDN博客

1. 下载对应显卡的 CUDA Toolkit

2. 下载 cuDNN，并解压到 CUDA 安装目录

3. 配置系统环境变量：

   • CUDA_HOME → CUDA 安装路径

   • PATH → 添加 bin 文件夹

4. 验证：

nvcc -V

3. 安装 GPU 版 PyTorch

访问 Get Started
选择 CUDA 版本，复制命令安装，例如：

我选择的是pytorch==2.0.1，cuda11.8。

conda install pytorch==2.0.1 torchvision==0.15.2 torchaudio==2.0.2 pytorch-cuda=11.8 -c pytorch -c nvidia

---

三、LabelImg 标注（标注自己数据集）

1. 安装 LabelImg

pip install labelimg -i https://pypi.tuna.tsinghua.edu.cn/simple

2. 启动 LabelImg，在cmd中输入labelimg

labelimg

• 选择图片文件夹 → 标注目标 → 保存为VOC格式

• 注意标注类别要统一（训练时类别名需和 YAML 一致）

  打开后，我们自己设置一下

          在View中勾选Auto Save mode 接下来我们打开需要标注的图片文件夹

  并设置标注文件保存的目录（上图中的Change Save Dir） 

          接下来就开始标注，画框，标记目标的label，然后d切换到下一张继续标注，不断重复重复。

• 一般使用W和D ，这里大家可以去试试，用上快捷键后，标注速度肯定会得到提升。

3. 转换为 YOLO 格式

如果打标签的时候，直接选择的yolo，就可以直接用。不用转换，如果是其他格式，在这里就需要转换一下。

4. 整理数据集结构

YOLOv8 数据集推荐结构：

dataset/
├── images/
│   ├── train/
│   └── val/
├── labels/
│   ├── train/
│   └── val/

---

四、自定义 YOLOv8 数据集训练

1. 创建数据集 YAML 文件

dataset.yaml：

train: dataset/images/train
val: dataset/images/val

nc: 3   # 类别数
names: ['cat', 'dog', 'person']  # 类别名称

2. 开始训练

方法一：bash

yolo detect train data=dataset.yaml model=yolov8n.pt epochs=100 imgsz=640 batch=16 device=0

参数说明：

• model=yolov8n.pt → 预训练模型

• epochs → 训练轮数

• imgsz → 输入图片尺寸

• batch → 每批大小

• device=0 → 使用 GPU 0

方法二：创建train_helmet.py文件（推荐）

首先把自己的数据集，新增一个yaml文件。

3. 查看训练效果

训练完成后，PyTorch 会生成 runs/detect/train 文件夹：

• weights/ → 模型权重

• results.png → 训练曲线

• labels/ → 推理结果

---

五、模型推理（验证效果）

from ultralytics import YOLO

model = YOLO('runs/detect/train/weights/best.pt')
model.predict('test.jpg', show=True)  # 在图片上显示预测结果

---

六、小贴士 & 注意事项

1. GPU 显存小 → 使用 yolov8n.pt 或减小 batch

2. LabelMe 标注类别统一，文件名不要有中文

3. Windows 用户注意路径分隔符，最好用 /

4. 训练前确认 CUDA 与 PyTorch 对应版本匹配

---

七、总结

本文覆盖了从 PyCharm 安装、GPU 配置、LabelMe 标注到 YOLOv8 自定义训练 的完整流程，小白也可以快速上手毕设项目。掌握这套流程，你就能在自己的数据集上进行目标检测和实例分割训练。