一、环境搭建
第一步 显卡驱动查看
WIN+R键 进入命令终端 输入
nvidia-smi
如果没有CUDA和CUDNN请自行安装，这里不再赘述
第二步 安装Anaconda
网站直接进行下载，这里不再进行安装教程
https://www.anaconda.com/download 建议C盘空间充足直接下载C盘
第二步 创建python虚拟环境
为了管理不同项目的Python环境，通常建议创建一个虚拟环境。
① 打开终端：
在Windows上，打开Anaconda Prompt
显然，如果进行AI训练，我们必然需要大量的库，如果没有规划的安装库会导致电脑环境复杂，所以我们可以创建虚拟环境，将AI训练需要的库只放在这个库里面
②创建虚拟环境：
运行以下命令来创建一个新的虚拟环境。
conda create -n <env_name> python=<version>
可以将< env_name >替换为您喜欢的环境名称，例如“YOLOv8”
可以将< version >替换为您需要的python版本，例如“3.8"
如果后续出现
Proceed ([y]/n)?
选择y，下载相关包
如图所示，出现 $ conda activate yolov8，说明创建完成
③激活虚拟环境：
运行以下命令来激活刚刚创建的虚拟环境
conda activate <env_name>
如图，表明激活完成，环境搭建完毕
附conda环境操作指南：
查看现有环境 conda env list
激活失败 conda init cmd.exe
删除环境 conda env remove -n <env_name>
④安装PyTorch(CPU)
在激活的虚拟环境中，使用pip安装PyTorch。根据您的需求，选择安装CPU版本。（网络不佳和必要的时候可以添加国内源）
pip install torch torchvision torchaudio
这里给出PyTorch官网
https://pytorch.org/
若出现 'pip' 不是内部或外部命令，也不是可运行的程序 或批处理文件，说明没有配置pip的 Path，自行查找解决（设置环境变量）
使用pip list查看环境是否有torch
如图表明安装完成，注意黄色警告，将其提示的相关路径加入环境变量的PATH中即可
第四步 安装pytorch-GPU版本（有显卡）
①确保电脑安装CUAD和CUDNN
在安装PyTorch-GPU之前，需要先安装CUDA和cuDNN的原因如下：
1. CUDA是NVIDIA推出的并行计算平台和API模型，它使得显卡可以用于图像渲染和计算以外的目的，例如通用并行计算。PyTorch通过CUDA可以充分利用GPU的计算能力，加速深度神经网络的学习和推理过程。
2. cuDNN是CUDA的扩展库，专门针对深度神经网络中的基础操作提供高度优化的实现方式，例如卷积、池化、规范化以及激活层的前向和后向过程。使用cuDNN可以大大提高深度学习模型在GPU上的运行效率。
因此，在安装PyTorch-GPU之前，需要先安装CUDA和cuDNN，以便能够充分利用GPU的计算能力，加速深度神经网络的学习和推理过程。如果不安装CUDA和cuDNN，PyTorch-GPU将无法正常工作。
②安装PyTorch（GPU）：
在激活的虚拟环境中，使用pip安装PyTorch。根据您的需求，选择安装GPU版本。附链接
https://pytorch.org/
根据实际情况选择GPU版本
下载完成后，使用conda list检查是否安装成功
出现上图说明安装完成
二、YOLO V8部署
1.使VScode在你所建立的虚拟环境中运行
这里不再赘述，自行查阅资料
2.将YOLO V8导入VScode
可以直接在github下载官方代码包，这里给出链接
https://github.com/ultralytics/ultralytics
下载完成并解压后，直接导入VScode即可，注意代码所在虚拟环境
YOLO V8还需要官方库ultralytics，这里直接在VScode终端中下载
pip install ultralytics
下载完成后使用
pip list
查看是否安装完成
这里如果不明白文件结构，参考YOLOV8文件解读
