前言
如何安装Python版本的Yolo，有一段时间不用了，Yolo的版本也在不断地发展，所以重新安装了运行了一下，记录了下来，供参考。
一、搭建环境
1.1、创建Pycharm工程
首先创建好一个空白的工程，如下图：
1.2、查看cuda的版本
可以，获知当前电脑安装的cuda版本是12.1。
1.3、安装cuda版本的Pytorch
先安装mkl
再用已有文件安装cuda版本的Pytorch，如下图：
这个安装当中之所以出现，原有torch版本的卸载问题，是因为工程继承自系统的Python311，已经安装了cpu版本的torch的缘故，这个uninstall后并不影响后续的安装。
我们，可以查看安装后的情况，如下图：
1.4、一个测试Pytorch的简单程序
说明，cuda版本的Pytorch已经完全可用了。
二、Yolov8的安装
2.1、参考链接
2024最新的YOLOv8安装配置全流程，人人都可以学会的图像识别技术指南-CSDN博客
2.2 、安装 ultralytics
直接输入：pip install ultralytics
但是，这样做的后果是，安装了最新版本的ultralytics，导致torch也要进行更新，于是它就自动这样做了，如下图：
然后，你看，这个torch就已经不支持cuda了，如下图：
不过，这个也不要紧（cpu版本的torch也能用，这不是本文的重点），我们继续：
查看当前的yolo版本，如下图：
三、下载源码开始测试
官网下载源码：https://github.com/ultralytics/ultralytics
如图：
其实，这个版本，已经不是Yolov8，而是Yolov11了。
（是Yolov8还是Yolov11主要决定的是模型文件，而非整体代码，整体代码而言应该是兼容Yolov8和Yolov11的）
先下载下来，然后复制到Pycharm工程中进行测试，如图：
3.1、先做一个预测测试
输入：yolo predict model=yolov8n.pt source='ultralytics/assets/bus.jpg' device=cpu
然后，我们查看这个预测的结果：
显然这个预测是符合我们预测要求的。
3.2、在线coco训练测试
采用在线下载coco包的方式进行测试：
yolo train model = yolov8n.pt data = coco128.yaml epochs = 10 imgsz = 640
、
训练结束，如下图：
我们可以查看训练的结果：
3.3、离线coco训练测试
将coco128.yaml中的内容进行了修改，删除了其中Download部分，
并将其中的文件和标签的路径修改如下：
并且，将coco集中images和labels复制到对应的位置，如图：
至此，可采用自定义的my_coco128.yaml进行离线训练了，
输入：yolo train model = yolov8n.pt data = my_coco128.yaml epochs = 10 imgsz = 640
运行完毕，如下图：
运行结果是一致的，如下图：
为什么要这样做呢？就是为了后续训练自己打标的图片做准备。