YOLO8
1.配置环境pytorch环境以及cudn环境就不详解，只需要根据pytorch官网安装后再pip opencv即可正常运行
2.git yolov8(ps: 现在也可以直接通过pip下载yolo8了)
运行起来
可以看官网给出的文档，里面有许多案例以及参数的含义，一下内容都是根据博主个人常用的，不够详细敬请谅解
from ultralytics import YOLO
import os
import torch
os.environ['KMP_DUPLICATE_LIB_OK'] = 'True'
model = YOLO('yolov8n.pt')
model.train(data="coco128.yaml", epochs=3, workers=0)
ps:本案例是基于windows环境运行的
通过上述代码，即可完成简单的yolo8对coco128张数据进行3次简单的训练测试，完成即表明配置与yolov8都可以正确使用了。
# 进行图片测试
model.predict(data="./assets/img", save=True)
# 视频追踪
model.track("./test.mp4", show=True)
save=True是保存图片到yolov8设置的环境中，在输出中可以查看，show是在运行时展示图片
./指的是当前目录的文件，上一级目录用的是../,上上级目录是../../
代码 and 配置
训练自己的数据
通过在cfg中配置的datasets里面查看文件的配置以及修改成自己的数据
train: 训练数据-设置自己的数据集目录
val:验证集数据-设置自己的验证集目录
names: 模型yolov8的配置文件，换成自己的labels
然后cfg的model中选择自己要的模型大小和尺寸
以上配置都完成后，按上面的实例运行代码去训练自己的数据集
文件配置
yolov8默认是用的在cfg目录下的default.yaml对数据的超参数进行定义，如果想修改超参数，那么可以自己定义一个新的yaml文件来对超参数进行调参训练
通过
model.train(data="coco128.yaml", epochs=3, workers=0, cfg='./ultralytics/cfg/my_default.yaml')
来加载自定义的超参数