前提：安装了pycharm和Anaconda（网上都有）

大致思路就是在Anaconda prompt终端先创建一个环境，然后安装yolo v8和pytorch相关的包

两个包介绍：

ultralytics

• 提供 YOLOv8 算法实现：包含了 YOLOv8 目标检测、实例分割、图像分类等模型结构。

• 封装训练与推理：你只需要几行 Python 代码就能完成模型训练、验证、预测，不必手动实现网络细节。

• 模型管理：内置了 yolov8n.pt、yolov8s.pt 等预训练权重，可以快速加载并在自己的数据上微调。

• 工具链：支持模型导出（ONNX、TensorRT 等）、超参数调优、结果可视化等。

一句话：它是你直接调用 YOLOv8 功能的高级接口，让你专注于数据和应用，不用关心底层算法实现。

torch（版本 2.4.1+cu121，GPU 版）

• 深度学习框架：由 Meta（原 Facebook）开发，用于构建和训练神经网络。

• 自动求导与 GPU 加速：你可以用 PyTorch 的张量（Tensor）像 NumPy 一样操作数据，但它能自动计算梯度，并把大规模矩阵运算放到显卡上并行执行，速度比 CPU 快几十倍。

• 搭建神经网络的基石：ultralytics 库底层就是基于 PyTorch 的 nn.Module 等组件实现的，没有 PyTorch，YOLOv8 无法运行。

一句话：它是 YOLOv8 运行和训练的“发动机”，负责所有数值计算和硬件加速。

具体安装步骤：打开anaconda prompt终端

第 1 步：更新 conda（可选，确保最新）

conda update conda -y

第 2 步：创建名为 yolov8 的新环境，指定 Python 3.8

conda create -n yolov8 python=3.8 -y

第 3 步：激活环境

conda activate yolov8

第 4 步：安装 PyTorch（CPU 版，最稳妥）

pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cpu

如果有 NVIDIA 显卡且想用 GPU（需要注意CUDA的版本，根据不同版本安装不同的torch），请换用：

• 方案 A (推荐): CUDA 12.1
  如果你的 nvidia-smi 显示 CUDA 版本 >= 12.1，推荐安装这个。

  pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121

• 方案 B: CUDA 11.8
  如果你的 nvidia-smi 显示的 CUDA 版本低于 12.1，请用这个。

  pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118

第 5 步：安装 YOLOv8，现在叫ultralytics了

pip install ultralytics

第 6 步：验证安装

python -c "from ultralytics import YOLO; print('✅ YOLOv8 安装成功')"

将刚刚在配置好的编译器部署在pycharm，注意选择已存在的环境和路径。然后选择刚才创造好的环境

在pycharm里面创建一个测试.py文件，导入相应的包测试选择该编译器是否安装好。

有几个国内可用的站点的 yolov8n.pt 文件是可以直接下载的，你可以试试下面这些链接：

蓝奏云 (包含源码和权重)

https://zqj.lanzouj.com/iVay41gl97id

解压之后将yolov8n.pt这个文件放在测试.py同级的目录。

from ultralytics import YOLO

# 加载模型（会自动从当前目录找 yolov8n.pt）
model = YOLO("yolov8n.pt")

# 使用本地图片进行推理（请将路径换成你电脑上实际存在的图片）
image_path = r"C:\Users\Layne\Pictures\312.1.jpg"   # 修改为你的图片路径
results = model(image_path)

# 显示结果（弹窗）
results[0].show()

# 保存结果到当前目录
results[0].save("result_local.jpg")

print("本地图片测试完成，请查看 result_local.jpg")

从本地上传一张照片测试，运行：