大家好，今天要讲的内容是，快速上手yolov8进行目标检测。

在本节课中，我们将在windows环境，部署yolov8。

使用yolov8提供的python接口，进行目标检测。

另外，我也会进一步讲解，如何阅读yolov8的源码文件。

从它的名字就可以看出，YOLO算法只需要一次前向传播计算，就可以实现，图像的多目标检测任务。

YOLO算法兼顾了识别的准确率和检测速度，因此非常适合在实时检测的应用场景下使用。

例如，视频监控、自动驾驶、无人机等领域，都可以使用YOLO来完成相关的任务。

YOLO算法于2016年首次推出，目前已经升级到v8版本。

简单来说，Yolov1到v3是yolo算法原始作者发布的版本，它的主要作者为Joseph Redmon。

从yolov4开始，后续的升级版本，来自不同的作者和团队开发。

严格来说，它们属于yolo系列的精神续作。

例如，美团、旷视科技等公司的研发团队，都有参与其中。

我们可以在Ultralytics公司的官网上，找到yolo的各个版本，这些版本都有对应的开源代码。

在本节课中，我们将详细介绍yolov8的安装和使用方法。

yolo模型的安装和部署非常简单。

我们使用conda create创建一个新的python环境。

然后激活这个环境：

再输入pip install ultralytics，就完成yolo的安装。

接着，在这个conda环境中，打开python，输入from ultralytics import YOLO这行代码。

这里如果不出现错误，就说明完成了yolo的安装。

打开ultralytics的官网，在quickstart中，可以找到python的样例代码。

下面我们基于这段样例代码，来详细说明yolo接口的使用方法。

我们将样例代码的前两行，复制过来。

第一行表示在代码中导入yolo模块。

然后是“model = YOLO('yolov8n.yaml')”，这句代码表示，读取yolo的配置文件。

但我们要注意的是，官方给出的样例代码中的这个配置文件，yolov8n.yaml，实际并不在yolo的模块中。

调用这句代码后，也不会从互联网中下载这个文件，这一点可能会给新手带来困惑。

为了弄懂这句代码背后的意义，我们需要找到ultralytics模块的源代码。

并在其中写一些print调试语句，最后找到真实的yaml配置文件，进行阅读。

首先找到刚刚在conda中创建的yolov8环境目录:

从中找到ultralytics模块，具体路径是，envs\yolov8\Lib\site-packages\ultralytics。

继续打开其中的\models\yolo文件夹：

然后打开model.py，会看到刚刚使用到的YOLO类。

这个类继承了Model类，具体的实现在Model类中。

从第一句的导入代码可以知道，Model类在ultralytics下的engine文件夹中的model.py文件中。

找到这个model.py文件后：

我们要在它的init函数中，加几句print调试代码，进行进一步的研究。

init函数传入的model参数，代表了配置文件名或模型的名字。

我们在init函数的第1句前，打印第1个，#1标记，和model的值。

它的下面是一些初始化的代码，我们忽略这些代码，继续向下看。

在suffix = Path(model).suffix，这个位置：

打印第2个，#2 标记，和suffix的值。

然后继续忽略下两行代码，这里要注意if suffix in .yaml这一句。

对于样例代码的调用方式，会走这个分支，也就是进一步调用self._new这个函数。

向下找到_new函数。

函数的第1个cfg参数，就是我们刚刚转入model。

在_new函数中，打印第3个，#3标记和cfg。

下一句代码，yaml_model_load(cfg)，是关键内容。

我们可以在ultralytics.nn.tasks中找到这个函数的实现。

打开tasks.py文件，找到yaml_model_load函数。

函数传入的path，就是刚刚的cfg变量。在这个位置打印第4个，#4标记和path变量。

观察下一句很复杂的代码，它具体在干什么，其实我也没搞明白。

实际上，这行代码有什么作用也不重要，在下一句unified_path后，打印第5个标记。

在下面的yaml_load前，打印第6个标记。

实际上，YOLO最终读取的配置文件名，保存在yaml_file中。

这样我们就完成了必要的print调试代码。

运行程序，会得到如下结果。

首先打印了标记1，传入的文件名，yolov8n.yaml。

实际上，这个文件根本就不存在。

其实我也很困惑，为什么样例代码要使用一个根本不存在的配置文件，了解其中原因的小伙伴可以留言讨论一下。

接着打印2、3、4、5这几个标记，这说明我们正确的理解了代码的执行流程。

最后打印的标记6，yaml_file，该变量保存了真正调用的配置文件的路径。

按照这个路径，打开对应的文件夹。

在cfg/models下，保存了yolo各个版本的配置。v8是我们当前使用的版本。

打开v8目录，可以找到我们正在使用的配置文件，yolov8.yaml。

在这个配置文件中，记录着必要的初始化信息。

例如，nc: 80，代表了模型需要识别的类别数量是80。

scales表示模型的规模、backbone是模型的主干，用于特征提取。

head是模型的最后决策部分，用于预测物体的类别和边界框。

弄明白yolo的配置后，下一句model = YOLO('yolov8n.pt')，用于加载模型。

这里要注意，模型最初是没有的，第一次调用，会从互联网中下载yolov8n.pt这个模型。

model.predict，用于预测结果。

这里bus.jpg是官方给的样例数据，我们可以再找一些其他的测试数据，一起进行测试。

另外，有兴趣的同学，可以进一步使用刚刚的调试方法，在代码中写一些print语句，调试并理解其他的接口。

还有一点要说明，即使我们最开始不加载yaml配置，也可以正常使用模型和预测结果，这个yaml配置文件主要是用来训练模型用的。

运行程序，控制台会打印出运行信息。

从信息中可以知道，3个图片的结果，会保存在当前目录下的runs/detect/predict文件夹中。

将结果图片打开，可以看到yolov8的运行结果。

其中在bus.jpg中识别出了行人、汽车等，在image.jpg中，识别出了行人、风筝等等。

那么到这里，快速上手yolov8进行目标检测就讲完了，感谢大家的观看，我们下节课再会。