YOLOv8快速入门：5分钟实现目标检测Demo

1. 项目概述五分钟快速上手YOLOv8检测demo刚接触计算机视觉的新手常被复杂的模型部署流程劝退今天我们就用最简化的方式实现YOLOv8的首次推理体验。作为当前最流行的实时目标检测框架之一YOLOv8通过pip安装即可获得完整的推理能力无需繁琐的环境配置。下面这个demo将带你完成从零安装到运行检测的全过程过程中我会特别标注几个容易翻车的细节。2. 环境准备与工具选型2.1 Python环境检查建议使用Python 3.8-3.10版本实测3.11存在部分依赖冲突。通过命令行执行python --version # 检查版本 python -m pip install --upgrade pip # 升级pip注意若系统同时存在Python2和Python3需明确使用python3和pip3命令2.2 安装Ultralytics套件官方推荐使用pip安装最新版pip install ultralytics国内用户可添加清华源加速pip install -i https://pypi.tuna.tsinghua.edu.cn/simple ultralytics常见安装问题排查报错Failed building wheel for pycocotools需先安装C编译工具链报错SSL certificate verify failed添加--trusted-host pypi.tuna.tsinghua.edu.cn参数3. 核心代码实现3.1 基础检测脚本创建demo.py文件写入以下代码from ultralytics import YOLO import cv2 # 加载预训练模型自动下载yolov8n.pt model YOLO(yolov8n.pt) # 检测图片支持jpg/png等格式 results model(bus.jpg) # 替换为你的测试图片路径 # 可视化结果 res_plotted results[0].plot() cv2.imshow(YOLOv8 Detection, res_plotted) cv2.waitKey(0)3.2 关键参数解析模型选择yolov8n.pt为nano版本最小模型可选s/m/l/x不同尺寸推理设备自动使用可用GPU强制CPU模式添加devicecpu参数置信度阈值默认0.25可通过conf0.5调整检测灵敏度4. 进阶功能扩展4.1 视频流处理修改检测源为视频文件或摄像头# 视频文件检测 results model.predict(sourcetest.mp4, saveTrue) # 实时摄像头0为默认摄像头 results model.predict(source0, showTrue)4.2 结果导出与分析获取结构化检测结果for result in results: boxes result.boxes # 边界框坐标 masks result.masks # 分割掩码需segmentation模型 keypoints result.keypoints # 关键点检测 print(result.verbose()) # 打印详细统计信息5. 常见问题解决方案5.1 模型下载失败手动下载模型后指定本地路径从官网下载对应模型.pt文件修改加载代码model YOLO(/path/to/yolov8n.pt)5.2 CUDA内存不足减小推理批次大小results model.predict(sourceinput.jpg, batch1)5.3 检测结果漂移尝试以下优化方案调整置信度阈值conf参数使用更大尺寸模型如yolov8m.pt添加数据增强参数results model.predict(..., augmentTrue)6. 性能优化技巧6.1 量化加速使用FP16半精度推理model YOLO(yolov8n.pt).half()6.2 ONNX导出转换为ONNX格式提升跨平台性能model.export(formatonnx) # 生成onnx模型6.3 TensorRT部署生成极致优化的引擎model.export(formatengine, device0) # 需要CUDA环境经过这些步骤你应该已经完成了YOLOv8的初体验。我在实际部署中发现对于720p视频流yolov8n模型在RTX 3060上能达到150 FPS而CPU推理也有20 FPS的表现。如果遇到任何卡点建议先尝试降低模型尺寸或输入分辨率。