激活Conda环境并在pycharm使用

激活Conda环境并在pycharm使用

基于YOLOv8的车辆+车牌检测系统源码(部署教程+训练好的模型+各项评估指标曲线).zip

平均准确率：0.96

类别：car、plate

【资源介绍】

1、ultralytics-main

ultralytics-main为YOLOv8源代码，里面涵盖基于yolov8分类、目标检测额、姿态估计、图像分割四部分代码，我们使用的是detect部分，也就是目标检测代码

2、搭建环境

安装anaconda 和 pycharm windows系统、mac系统、Linux系统都适配

在anaconda中新建一个新的envs虚拟空间(可以参考博客来)，命令窗口执行：conda create -n YOLOv8 python==3.8

创建完YOLOv8-GUI虚拟空间后，命令窗口执行：source activate YOLOv8 激活虚拟空间

然后就在YOLOv8虚拟空间内安装requirements.txt中的所有安装包，命令窗口执行：pip install -r requirements.txt

使用清华源安装更快

3、训练模型过程

进入到邺lytics-main邺lyticsyolov8detect文件夹下，datasets即为我们需要准备好的数据集，训练其他模型同理。

data文件夹下的bicycle.yaml文件为数据集配置文件，该文件为本人训练自行车检测模型时创建，训练其他模型，可自行创建。博文有介绍https://blog.csdn.net/DeepLearning_?spm=1011.2415.3001.5343

train.py中238行，修改为data = cfg.data or 'https://blog.csdn.net/Father_Of_Soft/article/details/bicycle.yaml' # or yolo.ClassificationDataset("mnist")

237行修改自己使用的预训练模型

若自己有显卡，修改239行，如我有四张显卡，即改成args = dict(model=model, data=data, device=”0,1,2,3“)

以上配置完成后运行train.py开始训练模型，训练完毕后会在runs/detect/文件夹下生成train*文件夹，里面包含模型和评估指标等

4、推理测试

训练好模型，打开predict.py，修改87行，model = cfg.model or 'yolov8n.pt'，把yolov8n.pt换成我们刚才训练完生成的模型路径(在邺lytics-main邺lyticsyolov8detect

unsdetect文件夹下)，待测试的图片或者视频存放于ultralytics邺lyticsassets文件夹，

运行predict.py即可，检测结果会在runs/detect/train文件夹下生成。