# YOLOv8 基本環境與教學
###### tags: `YOLO` `AI`
2023年Ultralytics釋出YOLOv8，相較於以前的版本速度更加提升
以下簡單說明基本環境與訓練、預測的教學

### 1. 首先下載CUDA版本，以及cuDNN
我們可以從NVIDIA官網進行下載，選定你的作業系統以及想要下載的版本
[https://developer.nvidia.com/cuda-downloads](https://developer.nvidia.com/cuda-downloads)


另外小提醒，cuDNN需要註冊會員後才能下載

> 把 C:\Users\<username>\Downloads\cuda\bin 資料夾內檔案複製到
> C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.0\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\v12.0\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\v12.0\lib\x64

### 2. 接著安裝Python版本，筆者使用的版本是Python3.9，注意要從Python官網下載才行
Python的版本需>=3.7
[https://www.python.org/](https://www.python.org/)

### 3. 接下來透過pip進行安裝，可從PyTorch官網上選擇執行版本對應的指令
安裝PyTorch, 版本需>=1.7
[https://pytorch.org/get-started/locally/](https://pytorch.org/get-started/locally/)


安裝YOLOv8
`pip install ultralytics`

至此，基本環境已建置完成

### 4. 進行YOLOv8訓練
圖片影像資料可以從各地蒐集或從Kaggle上下載，但請注意版權應用
準備好圖片資料後，須將圖片分成訓練(train)、驗證(valid)、以及測試(test)三個資料夾，如以下結構
> * train (訓練資料)
> * images (圖片)
> * labels (標註)
> * valid (驗證資料)
> * images (圖片)
> * labels (標註)
> * test (測試資料)
> * images (圖片)
> * labels (標註)

標註的資料須依照YOLO的格式，這邊可用LabelImg來進行，或是藉由RoboFlow線上方式來進行標註

LabelImge下載，pip執行
`pip install labelimg`

RoboFlow官網
[https://roboflow.com/](https://roboflow.com/)

筆者較推薦使用RoboFlow來進行資料的標註

接著需選定一個模型來進行訓練，YOLOv8提供了一些基本的預訓練模型可供下載來使用
模型下載
[https://github.com/ultralytics/ultralytics](https://github.com/ultralytics/ultralytics)

或者也可以從頭開始訓練模型，在YOLO安裝的資料夾下尋找各Model的yaml檔
如選擇yolov8n.yaml

最後準備一個yaml來描述這些資料的位置，如以下data.yaml的內容
> path: C:/yolo/yolov8
> train: ./train/images
> val: ./valid/images
> test: ./test/images
>
> nc: 1
> names: ['cat']

準備好資料即可開始訓練，訓練的指令如下，參數可參考YOLOv8官網的documents
`yolo detect train data=data.yaml model=yolov8n.pt epochs=100 imgsz=640 conf=0 device=cpu`

[https://docs.ultralytics.com/](https://docs.ultralytics.com/)

也可以使用Python指令來進行訓練

from ultralytics import YOLO
model = YOLO("yolov8n.yaml")
model.train(data="data.yaml",
            mode="detect",
            epochs=100,
            imgsz=640,
            device="cpu")

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
由於筆者測試的電腦顯示卡型號太舊，會出現以下錯誤
RuntimeError: cuDNN error: CUDNN_STATUS_NOT_INITIALIZED
因此筆者下面都使用CPU來進行訓練與預測

訓練完後的資料會出現在runs/detect/train底下，訓練好的模型放在runs/detect/train/weights底下，我們接下來將使用best.pt來進行估測

### 5. 進行YOLO估測
使用以下指令進行估測
`yolo detect predict model=best.pt source=test/images save=true device=cpu`

當save=true時，會將預測的結果儲存在runs/detect/predict底下

同樣以Python指令執行時

from ultralytics import YOLO
model = YOLO("best.pt")
result = model.predict(
    source="test/images",
    mode="predict",
    save=True,
    device="cpu"
)

**以上即是簡單的進行訓練與測試教學**