一、环境准备

1. 安装 Anaconda

如果你还没有安装 Anaconda，请先去官网下载并安装。

• 下载地址：Anaconda 官网
• 注意事项：安装时建议勾选 "Add Anaconda to my PATH environment variable"（虽然官方不推荐，但对于新手配置环境更方便，若不勾选则后续需手动配置环境变量）。

2. 准备 GPU 环境（可选，有 GPU 必看）

如果你有 NVIDIA 显卡，强烈建议配置 GPU 加速，训练速度会提升数倍。

• 查看显卡驱动：右键桌面 -> NVIDIA 控制面板 -> 帮助 -> 系统信息，查看你的显卡型号。
• 安装 CUDA Toolkit：YOLOv8 目前支持 CUDA 11.8 或 12.1。请去 NVIDIA 官网 下载对应版本安装。
• 安装 cuDNN：下载对应 CUDA 版本的 cuDNN 并解压，将文件复制到 CUDA 安装目录下（这步是为了加速深度神经网络计算）。

小提示：如果只是想体验一下 YOLOv8 或者没有显卡，可以直接跳过这步，使用 CPU 版本（速度会慢一些）。

---

二、创建 Anaconda 虚拟环境

打开 Anaconda Prompt，我们开始创建虚拟环境。

1. 创建虚拟环境

我们指定 Python 版本为 3.10（这是目前兼容性最好的版本），环境名命名为 yolov8_env（你也可以自己改）。

conda create -n yolov8_env python=3.10

2. 激活虚拟环境

环境创建成功后，输入以下命令进入环境：

conda activate yolov8_env

此时你会发现命令行最前面的括号变成了 (yolov8_env)，说明环境激活成功。

---

三、安装 PyTorch

这是最关键的一步。我们需要根据你的硬件情况（CPU/GPU）安装对应的 PyTorch。

方案 A：GPU 版本安装（推荐）

确保你刚才安装了 CUDA Toolkit 11.8 或 12.x。

去 PyTorch 官网，复制对应的安装命令。这里以 CUDA 11.8 为例（Windows Conda 安装）：

conda install pytorch torchvision torchaudio pytorch-cuda=11.8 -c pytorch -c nvidia

方案 B：CPU 版本安装

如果没有显卡，直接运行这个命令：

bash

运行

conda install pytorch torchvision torchaudio cpuonly -c pytorch

验证 PyTorch 安装：在命令行输入 python 进入交互模式，然后输入：

import torch
print(torch.__version__)
print(torch.cuda.is_available()) # 如果是GPU版本，这里会输出True

如果没报错且输出版本号，说明安装成功。输入 exit() 退出 python 模式。

---

四、安装 YOLOv8 (Ultralytics)

Ultralytics 把 YOLOv8 封装成了一个 Python 库，安装非常简单。

1. 安装 ultralytics 库

在激活的 yolov8_env 环境中，使用 pip 安装（为了下载快，我们加上国内镜像源）：

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

2. 简单验证安装

输入以下命令，如果能弹出帮助信息，说明安装成功：

yolo help

---

五、跑通第一个 Demo（图片 / 视频 / 摄像头）

激动人心的时刻到了！我们来测试一下 YOLOv8 的效果。

1. 图片检测

找一张包含物体的图片（比如放在桌面上的 test.jpg），或者直接让它自动下载示例图。在命令行输入：

yolo predict model=yolov8n.pt source=test.jpg

• model=yolov8n.pt：使用 nano 版本的模型（最小最快，第一次运行会自动下载）。
• source=test.jpg：替换为你图片的路径。

运行完成后，结果会保存在 runs/detect/predict 文件夹下。

2. 实时摄像头检测

如果你想体验实时检测，直接输入：

yolo predict model=yolov8n.pt source=0 show=True

• source=0：调用电脑默认摄像头。
• 按 Ctrl + C 可以退出检测。

---

六、常见问题与解决方案 (FAQ)

在 CSDN 文章中，这部分是精华，能帮你省去很多评论区答疑的时间。

1. 问题：下载速度太慢 / 报错 ReadTimeout
   • 解决：在 pip install 时加上清华源，或者配置 conda 源。
2. 问题：报错 "CUDA out of memory"
   • 解决：显存不够了。把模型换成更小的（yolov8n.pt），或者在训练时调小 batch 参数。
3. 问题：torch.cuda.is_available() 返回 False
   • 解决：说明 PyTorch 和 CUDA 版本没对应上。卸载 PyTorch 重新安装，或者检查 CUDA Toolkit 版本。

---

七、下一步做什么？

配置好环境后，你可以尝试：

1. 更换模型：试试 yolov8s.pt (small) 或 yolov8m.pt (medium)，精度会更高但速度更慢。
2. 训练自己的数据集：这才是最有用的部分，利用 YOLOv8 训练识别你自己的物体。

如果这篇教程对你有帮助，欢迎点赞、收藏、关注！有问题请在评论区留言。