aifei 可以布团在边缘设备上但是对于一些比如识别的应用基础是互通的最好先在pc 上玩熟悉再转向嵌入式实现这样更省时少省力以下是计算机视觉基础理伦同样适用与plc智能工控行业入门学习全套完整教程Anaconda 安装→环境配置→YOLOv8OpenCV 安装 OpenCV 实操 标注→训练→导出→部署全程只用Anaconda Prompt不用配置系统 PATH、不用改电脑环境变量完美适配你现状普通 cmd 调用不了 python 也没关系一、第一步Anaconda 安装D 盘安装推荐1. 下载官网Download Anaconda Distribution | Anaconda选Windows 64 位安装包2. 安装步骤1. 双击安装包 → 选Just Me2. 安装路径改成D:\Anaconda3不要中文、空格✅重点安装页面两个环境变量勾选全部取消不自动配置系统 PATH避开之前自动配坏的坑3. 下一步直到完成。验证开始菜单打开Anaconda Prompt (anaconda3)输入bashconda -V输出版本号 安装成功。二、Anaconda 全套环境命令汇总必背bash#1.查看全部已有虚拟环境 conda env list #2.新建YOLO专用环境 python3.9yolov8最稳版本 conda create -n yolov8_env python3.9 -y #3.进入环境所有安装、训练命令必须先激活环境 conda activate yolov8_env #4.退出环境 conda deactivate #5.删除没用环境 conda remove -n 环境名 --all -y #6.查看当前环境已装包 pip list conda list三、进入 yolov8_env 后安装 OpenCV YOLOv8 全套依赖bash#1.激活环境 conda activate yolov8_env #2.升级pip python -m pip install --upgrade pip #1、安装OpenCV两种方式 #方式1 pip安装推荐适配yolo pip install opencv-python opencv-contrib-python #方式2 conda安装出错再用 #conda install -c conda-forge opencv -y #2、安装YOLOv8核心包 pip install ultralytics #图像处理辅助库画图、数据查看必备 pip install pillow matplotlib numpy #GPU训练装torchN卡cuda118无GPU跳过这条 pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118验证 OpenCV 安装成功bashpython import cv2 print(cv2.__version__) #输出版本号即成功exit()退出python四、OpenCV 入门 3 个实操示例新建 opencv_demo.py 运行示例 1读取 显示图片pythonimport cv2 #读取图片 img cv2.imread(test.jpg) #展示窗口 cv2.imshow(pic, img) #按任意键关闭窗口 cv2.waitKey(0) cv2.destroyAllWindows()示例 2图片画矩形框YOLO 画框原理pythonimport cv2 img cv2.imread(test.jpg) #参数图片、左上角坐标、右下角、BGR颜色、线条粗细 cv2.rectangle(img,(50,50),(200,200),(0,0,255),2) cv2.imshow(draw,img) cv2.waitKey(0) cv2.destroyAllWindows() cv2.imwrite(save.jpg,img) #保存画完的图示例 3调用摄像头实时读取pythonimport cv2 cap cv2.VideoCapture(0) #0本机默认摄像头 while True: ret,frame cap.read() if not ret:break cv2.imshow(cam,frame) if cv2.waitKey(1)0xFFord(q): #按q退出 break cap.release() cv2.destroyAllWindows()五、数据集标注工具安装 使用YOLO 专用 LabelImgbash#在yolov8_env环境执行 pip install labelImg #启动标注软件 labelImg标注操作步骤Open Dir选中datasets/images图片文件夹Save Dir选中datasets/labels标签文件夹PascalVOC 下拉改成YOLO格式关键W 画框、A 上一张、D 下一张保存自动生成 txt 标签。数据集目录固定格式严格按这个建文件夹plaintextdatasets ├─images │ ├─train #训练图片 │ └─val #验证图片 └─labels ├─train #对应txt标签 └─val六、Pycharm 配置 yolov8_env 环境File → Settings → Project → Python Interpreter右上角⚙️ → Add → Existing environment解释器路径D:\Anaconda3\envs\yolov8_env\python.exeOK项目环境切换完成代码直接调用 YOLO 和 OpenCV。七、YOLOv8 自定义数据集训练全流程1. 新建 custom.yaml和 datasets 文件夹同级yamlpath: ../datasets train: images/train val: images/val nc: 2 #你的物体类别总数比如猫狗2 names: [cat,dog] #对应类别名称2. 新建 train.py 训练脚本pythonfrom ultralytics import YOLO #加载预训练权重 n小/s中/m大 model YOLO(yolov8s.pt) #开始训练 model.train( datacustom.yaml, epochs80, #迭代轮数 batch6, #显存小改成2/4 imgsz640, devicecpu #有N卡改成0device0 )运行python train.py训练结果输出目录runs/detect/train/weightsbest.pt 最优权重last.pt 最后一轮权重八、模型导出pt 转 onnx/tensorrt 等部署格式pythonfrom ultralytics import YOLO model YOLO(runs/detect/train/weights/best.pt) #导出onnx通用跨平台部署推荐 model.export(formatonnx) #可选格式tflite、torchscript、engine(tensorrt)导出文件同在 weights 文件夹。九、训练好模型推理预测3 种用法1. 代码预测图片pythonfrom ultralytics import YOLO model YOLO(runs/detect/train/weights/best.pt) #单张图片 res model.predict(test1.jpg,saveTrue) #整个文件夹批量预测 res model.predict(./test_img/,saveTrue)预测结果保存在runs/detect/predict/2. 命令行直接预测Anaconda Promptbashyolo predict modelruns/detect/train/weights/best.pt sourcetest.jpg3. 摄像头实时检测pythonfrom ultralytics import YOLO modelYOLO(best.pt) model.predict(source0,saveTrue,showTrue) #source0调用摄像头十、补充常见报错处理导入 cv2 报错重装pip uninstall opencv-python -y pip install opencv-pythontorch cuda 报错无 GPU训练参数固定devicecpuyolov8 下载权重失败手动下载 yolov8s.pt 放项目目录
aifei学习前置基础：全套完整教程：Anaconda 安装→环境配置→YOLOv8+OpenCV 安装 + OpenCV 实操 + 标注→训练→导出→部署
aifei 可以布团在边缘设备上但是对于一些比如识别的应用基础是互通的最好先在pc 上玩熟悉再转向嵌入式实现这样更省时少省力以下是计算机视觉基础理伦同样适用与plc智能工控行业入门学习全套完整教程Anaconda 安装→环境配置→YOLOv8OpenCV 安装 OpenCV 实操 标注→训练→导出→部署全程只用Anaconda Prompt不用配置系统 PATH、不用改电脑环境变量完美适配你现状普通 cmd 调用不了 python 也没关系一、第一步Anaconda 安装D 盘安装推荐1. 下载官网Download Anaconda Distribution | Anaconda选Windows 64 位安装包2. 安装步骤1. 双击安装包 → 选Just Me2. 安装路径改成D:\Anaconda3不要中文、空格✅重点安装页面两个环境变量勾选全部取消不自动配置系统 PATH避开之前自动配坏的坑3. 下一步直到完成。验证开始菜单打开Anaconda Prompt (anaconda3)输入bashconda -V输出版本号 安装成功。二、Anaconda 全套环境命令汇总必背bash#1.查看全部已有虚拟环境 conda env list #2.新建YOLO专用环境 python3.9yolov8最稳版本 conda create -n yolov8_env python3.9 -y #3.进入环境所有安装、训练命令必须先激活环境 conda activate yolov8_env #4.退出环境 conda deactivate #5.删除没用环境 conda remove -n 环境名 --all -y #6.查看当前环境已装包 pip list conda list三、进入 yolov8_env 后安装 OpenCV YOLOv8 全套依赖bash#1.激活环境 conda activate yolov8_env #2.升级pip python -m pip install --upgrade pip #1、安装OpenCV两种方式 #方式1 pip安装推荐适配yolo pip install opencv-python opencv-contrib-python #方式2 conda安装出错再用 #conda install -c conda-forge opencv -y #2、安装YOLOv8核心包 pip install ultralytics #图像处理辅助库画图、数据查看必备 pip install pillow matplotlib numpy #GPU训练装torchN卡cuda118无GPU跳过这条 pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118验证 OpenCV 安装成功bashpython import cv2 print(cv2.__version__) #输出版本号即成功exit()退出python四、OpenCV 入门 3 个实操示例新建 opencv_demo.py 运行示例 1读取 显示图片pythonimport cv2 #读取图片 img cv2.imread(test.jpg) #展示窗口 cv2.imshow(pic, img) #按任意键关闭窗口 cv2.waitKey(0) cv2.destroyAllWindows()示例 2图片画矩形框YOLO 画框原理pythonimport cv2 img cv2.imread(test.jpg) #参数图片、左上角坐标、右下角、BGR颜色、线条粗细 cv2.rectangle(img,(50,50),(200,200),(0,0,255),2) cv2.imshow(draw,img) cv2.waitKey(0) cv2.destroyAllWindows() cv2.imwrite(save.jpg,img) #保存画完的图示例 3调用摄像头实时读取pythonimport cv2 cap cv2.VideoCapture(0) #0本机默认摄像头 while True: ret,frame cap.read() if not ret:break cv2.imshow(cam,frame) if cv2.waitKey(1)0xFFord(q): #按q退出 break cap.release() cv2.destroyAllWindows()五、数据集标注工具安装 使用YOLO 专用 LabelImgbash#在yolov8_env环境执行 pip install labelImg #启动标注软件 labelImg标注操作步骤Open Dir选中datasets/images图片文件夹Save Dir选中datasets/labels标签文件夹PascalVOC 下拉改成YOLO格式关键W 画框、A 上一张、D 下一张保存自动生成 txt 标签。数据集目录固定格式严格按这个建文件夹plaintextdatasets ├─images │ ├─train #训练图片 │ └─val #验证图片 └─labels ├─train #对应txt标签 └─val六、Pycharm 配置 yolov8_env 环境File → Settings → Project → Python Interpreter右上角⚙️ → Add → Existing environment解释器路径D:\Anaconda3\envs\yolov8_env\python.exeOK项目环境切换完成代码直接调用 YOLO 和 OpenCV。七、YOLOv8 自定义数据集训练全流程1. 新建 custom.yaml和 datasets 文件夹同级yamlpath: ../datasets train: images/train val: images/val nc: 2 #你的物体类别总数比如猫狗2 names: [cat,dog] #对应类别名称2. 新建 train.py 训练脚本pythonfrom ultralytics import YOLO #加载预训练权重 n小/s中/m大 model YOLO(yolov8s.pt) #开始训练 model.train( datacustom.yaml, epochs80, #迭代轮数 batch6, #显存小改成2/4 imgsz640, devicecpu #有N卡改成0device0 )运行python train.py训练结果输出目录runs/detect/train/weightsbest.pt 最优权重last.pt 最后一轮权重八、模型导出pt 转 onnx/tensorrt 等部署格式pythonfrom ultralytics import YOLO model YOLO(runs/detect/train/weights/best.pt) #导出onnx通用跨平台部署推荐 model.export(formatonnx) #可选格式tflite、torchscript、engine(tensorrt)导出文件同在 weights 文件夹。九、训练好模型推理预测3 种用法1. 代码预测图片pythonfrom ultralytics import YOLO model YOLO(runs/detect/train/weights/best.pt) #单张图片 res model.predict(test1.jpg,saveTrue) #整个文件夹批量预测 res model.predict(./test_img/,saveTrue)预测结果保存在runs/detect/predict/2. 命令行直接预测Anaconda Promptbashyolo predict modelruns/detect/train/weights/best.pt sourcetest.jpg3. 摄像头实时检测pythonfrom ultralytics import YOLO modelYOLO(best.pt) model.predict(source0,saveTrue,showTrue) #source0调用摄像头十、补充常见报错处理导入 cv2 报错重装pip uninstall opencv-python -y pip install opencv-pythontorch cuda 报错无 GPU训练参数固定devicecpuyolov8 下载权重失败手动下载 yolov8s.pt 放项目目录
