目录

1、开源代码、模型下载

2、环境配置

3、模型推理

4、模型转化

1、开源代码、模型下载

代码下载：https://github.com/ultralytics/ultralytics

模型下载：https://docs.ultralytics.com/tasks/

​

检测模型：

​

2、环境配置

可参考这篇博客：深度学习环境搭建-CSDN博客

打开Anaconda3终端，进入base环境，创建新环境，我这里创建的是p10t12(python3.10，pytorch1.12)。

conda create --name p10t12 python==3.10

进入到创建的环境

conda activate p10t12

安装pytorch：（网络环境比较差时，耗时会比较长）

pip install torch==1.12.0+cu116 torchvision==0.13.0+cu116 torchaudio==0.12.0 --extra-index-url https://download.pytorch.org/whl/cu116 -i  https://pypi.tuna.tsinghua.edu.cn/simple/

将下载的代码解压使用pycharm打开，环境选择创建的p10t12。

​

打开控制台，安装需要的包。

pip install -r requirements.txt
pip install onnx
pip install ultralytics

ultralytics集成了yolo的各种包以及模型等，程序中直接调用。

3、模型推理

模型存放位置以及测试图片路径根据实际路径修改。

from ultralytics import YOLO
import glob
import os
# Load a model
model = YOLO(r'D:\Yolov8\yolov8-detect-pt\yolov8n.pt')  # load an official model

# Predict with the model
imgpath = r'D:\Yolov8\ultralytics-main\testimgs'
imgs = glob.glob(os.path.join(imgpath,'*.jpg'))
for img in imgs:
    model.predict(img, save=True)

直接运行，查看结果：

4、模型转化

将pt模型转成onnx

from ultralytics import YOLO

# Load a model
model = YOLO(r'D:\Yolov8\ultralytics-main\yolov8-detect\yolov8s.pt') # load an official model

# Export the model
model.export(format='onnx')

得到onnx