---

1. 背景

看了B站许多up主的视频，感觉YOLOV8各方面都很优秀，作为新手对它的期待很大，于是想实际跑跑看，边实践，边学习，记录过程。
本篇主要是博主在windows平台上部署YOLOV8的笔记，感兴趣的小伙伴请点赞、收藏、转发，也请大家持续关注后面的更新。

---

2. 部署过程

主要参考官方文档

2.1 快速安装

【A】打开命令行，输入面下的安装命令：

pip install ultralytics

---

可以看到安装成功。

---

【B】环境检查：

%python
>>> import ultralytics
>>> ultralytics.checks()

---

【C】运行demo code
参考官方文档中的python 代码示例，新建demo.py文件：

from ultralytics import YOLO# 加载模型
model = YOLO("yolov8n.yaml")  # 从头开始构建新模型
model = YOLO("yolov8n.pt")  # 加载预训练模型（建议用于训练）# 使用模型
model.train(data="coco128.yaml", epochs=3)  # 训练模型
metrics = model.val()  # 在验证集上评估模型性能
results = model("https://ultralytics.com/images/bus.jpg")  # 对图像进行预测
success = model.export(format="onnx")  # 将模型导出为 ONNX 格式

尝试运行：

python demo.py

博主的第一次运行，报错如下：

---

根据提示，在demo.py中添加KMP_DUPLICATE_LIB_OK开关：

import os
os.environ['KMP_DUPLICATE_LIB_OK']='True'from ultralytics import YOLO# 加载模型
model = YOLO("yolov8n.yaml")  # 从头开始构建新模型
model = YOLO("yolov8n.pt")  # 加载预训练模型（建议用于训练）# 使用模型
model.train(data="coco128.yaml", epochs=3)  # 训练模型
metrics = model.val()  # 在验证集上评估模型性能
results = model("https://ultralytics.com/images/bus.jpg")  # 对图像进行预测
success = model.export(format="onnx")  # 将模型导出为 ONNX 格式

再次运行，可以看到，在当前目录下会新建模型文件yolov8n.pt和训练过程文件夹runs，并下载了输入测试文件bus.jpg：

过程中，对CPU的消耗非常大：

---

运行完成后，可以看到输出结果：

---

image 1/1 E:\leaning\DeepLearning\YOLOV8\src\bus.jpg: 640x480 4 persons, 1 bus, 1 stop sign, 131.1ms

实际预测的对象：

可以看到预测是正确的。
至此，YOLOV8 win10 部署OK。

---