从零配置 YOLOv8 GPU 加速环境（RTX 2080 + Windows）完整教程

一、环境准备

1.1 确认显卡和驱动

打开 PowerShell 或 CMD，运行：

powershell

nvidia-smi

正常输出类似：

highlighter-

+-----------------------------------------------------------------------------------------+ | NVIDIA-SMI 591.86 Driver Version: 591.86 CUDA Version: 13.1 | +-----------------------------------------+------------------------+----------------------+ | GPU Name Driver-Model | Bus-Id Disp.A | Volatile Uncorr. ECC | | 0 NVIDIA GeForce RTX 2080 WDDM | 00000000:01:00.0 On | N/A | | | | MIG | +-----------------------------------------+------------------------+----------------------+

关键信息：

• Driver Version：你的显卡驱动版本，591.86 够新
• CUDA Version：驱动支持的最高 CUDA 版本（这里是 13.1），你实际安装的 CUDA Toolkit 版本可以低于这个数

如果nvidia-smi报错，说明：

• 没装 NVIDIA 驱动 → 去 NVIDIA 官网 下载安装
• 驱动太旧 → 更新到最新版

1.2 确认 Python

确保已安装Python 3.8 ~ 3.11（推荐 3.10）：

powershell

python --version

本教程使用路径：C:\ZCY\WK\wkpy\Python310\python.exe

没有 Python？去 python.org 下载，安装时勾选"Add Python to PATH"。

二、创建虚拟环境

为什么要用虚拟环境？避免深度学习依赖（PyTorch、CUDA 库）污染你的全局 Python 环境。

powershell

# 创建目录 mkdir C:\ZCY\WK\wkpy\YOLO mkdir C:\ZCY\WK\wkpy\YOLO\env mkdir C:\ZCY\WK\wkpy\YOLO\test # 创建虚拟环境 C:\ZCY\WK\wkpy\Python310\python.exe -m venv C:\ZCY\WK\wkpy\YOLO\env

创建完成后，目录结构：

highlighter- Bash

C:\ZCY\WK\wkpy\YOLO\ ├── env\ ← 虚拟环境 └── test\ ← 测试文件（模型、脚本、视频）

激活虚拟环境（以后每次用 YOLO 都要先激活）：

powershell

C:\ZCY\WK\wkpy\YOLO\env\Scripts\activate

激活后，命令行前面会多一个(env)标识：

highlighter-

(env) PS C:\>

退出虚拟环境：输入deactivate

三、安装 CUDA 版 PyTorch

这是最关键的一步。必须安装带 CUDA 支持的 PyTorch，否则只能用 CPU（速度慢几十倍）。

3.1 选择 CUDA 版本

3.2 执行安装

powershell

# 确保已激活虚拟环境 C:\ZCY\WK\wkpy\YOLO\env\Scripts\activate # 安装 PyTorch + torchvision + torchaudio（CUDA 12.1） pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121

⏱ 下载约 2~3 GB，取决于网速可能需要 5~15 分钟。

3.3 国内镜像加速（可选）

如果官方源下载太慢，使用清华镜像：

powershell

pip install torch torchvision torchaudio -i https://pypi.tuna.tsinghua.edu.cn/simple

⚠️ 国内镜像可能不是最新版本，建议先试官方源。

四、安装 Ultralytics (YOLOv8)

powershell

pip install ultralytics

Ultralytics 是 YOLOv8 的官方包，安装后自带yolo命令行工具。

五、验证 GPU 可用

python

import torch print("PyTorch 版本:", torch.__version__) print("CUDA 是否可用:", torch.cuda.is_available()) # 应输出 True print("CUDA 版本:", torch.version.cuda) # 应输出 12.1 print("GPU 名称:", torch.cuda.get_device_name(0)) # 应输出你的显卡型号 print("显存大小:", round(torch.cuda.get_device_properties(0).total_mem / 1024**3), "GB")

预期输出：

highlighter- Python

PyTorch 版本: 2.5.1+cu121 CUDA 是否可用: True CUDA 版本: 12.1 GPU 名称: NVIDIA GeForce RTX 2080 显存大小: 8 GB

如果CUDA 是否可用输出False，说明安装的是 CPU 版 PyTorch，需要回到第三步重新安装cu121版本。

六、视频检测实战

6.1 命令行方式

最简单的用法，一行命令搞定：

powershell

# 激活环境 C:\ZCY\WK\wkpy\YOLO\env\Scripts\activate # 基础用法 yolo detect predict model=yolov8n.pt source=你的视频.mp4 device=0 # 指定输出目录 yolo detect predict model=yolov8n.pt source=你的视频.mp4 device=0 project=C:\ZCY\WK\wkpy\YOLO\test # 更多参数 yolo detect predict model=yolov8n.pt source=你的视频.mp4 device=0 conf=0.5 imgsz=1280 save=True

结果保存在project/predict/目录下。

6.2 Python 脚本方式

创建run_detect.py，所有参数集中管理，方便复用：

python

""" YOLOv8 视频目标检测脚本 ======================== 用法：C:\ZCY\WK\wkpy\YOLO\env\Scripts\python.exe run_detect.py """ from ultralytics import YOLO # ============ 核心参数配置（只需改这里） ============ # 输入源：视频文件 / 图片 / 文件夹 / 摄像头(0) / RTSP流 source = r"C:\ZCY\WK\wkpy\YOLO\test\DJI_20260129175226_0065_W.MP4" # 模型：yolov8n / yolov8s / yolov8m / yolov8l / yolov8x model_file = "yolov8n.pt" # 设备：0=GPU, "cpu"=CPU device = 0 # 置信度阈值：0~1，越高越严格（建议 0.25~0.5） conf = 0.25 # IoU 阈值：同一物体重叠框合并（建议 0.45） iou = 0.45 # 推理尺寸：640（默认）/ 1280（高精度） imgsz = 640 # 是否保存结果 save = True # 输出目录 project = r"C:\ZCY\WK\wkpy\YOLO\test" # 跳帧：1=每帧都检测，2=隔1帧检测（速度翻倍） vid_stride = 1 # 只检测指定类别：None=全部，[0,2]=只检测人和车 classes = None # ============ 以下不用改 ============ def main(): import torch model = YOLO(model_file) # GPU 状态 if torch.cuda.is_available(): print(f"GPU: {torch.cuda.get_device_name(0)}") else: print("未检测到 GPU，使用 CPU") # 推理 results = model.predict( source=source, device=device, conf=conf, iou=iou, imgsz=imgsz, save=save, project=project, vid_stride=vid_stride, classes=classes, stream=True, verbose=True, ) # 统计 det_classes = {} total = 0 for r in results: for box in r.boxes: cls_id = int(box.cls[0]) name = model.names[cls_id] det_classes[name] = det_classes.get(name, 0) + 1 total += 1 print(f"\n检测完成！共 {total} 个目标") for k, v in sorted(det_classes.items(), key=lambda x: -x[1]): print(f" {k}: {v}") if __name__ == "__main__": main()

运行：

powershell

C:\ZCY\WK\wkpy\YOLO\env\Scripts\python.exe C:\ZCY\WK\wkpy\YOLO\test\run_detect.py

6.3 实测效果

用一段 DJI 无人机视频（393 MB，3181 帧，384×640）测试：

highlighter- Arduino

GPU: NVIDIA GeForce RTX 2080 video 1/1 (frame 1/3181): 384x640 1 broccoli, 44.6ms video 1/1 (frame 2/3181): 384x640 1 broccoli, 9.1ms video 1/1 (frame 3/3181): 384x640 1 broccoli, 9.4ms ... Speed: 2.8ms preprocess, 9.7ms inference, 1.9ms postprocess per image at shape (1, 3, 384, 640)

七、核心参数详解

7.1 推理参数

7.2 参数调优建议

highlighter-

场景 conf imgsz model vid_stride ──────────────────────────────────────────────────────────── 快速预览（看大概） 0.1 320 n 3 日常使用（平衡） 0.25 640 n/s 1 精细检测（要准） 0.5 1280 m/l 1 小目标检测 0.25 1280 m 1 实时摄像头 0.3 640 n 1

八、模型选择指南

YOLOv8 提供 5 个尺寸的模型，命名规则：yolo+v8+尺寸+.pt

怎么选？

• 不确定 → 先用yolov8n试效果，不够再换s或m
• 显存不够 8GB → 用n或s，配合imgsz=640
• 追求精度 → 用m或l，配合imgsz=1280

九、COCO 80 类别对照表

预训练模型基于 COCO 数据集训练，支持以下 80 类目标检测：

十、常见问题

Q1:torch.cuda.is_available()返回 False

原因：安装了 CPU 版 PyTorch。

解决：卸载后重新安装 CUDA 版：

powershell

pip uninstall torch torchvision torchaudio pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121

Q2: 显存不足（CUDA Out of Memory）

解决：

python

# 1. 减小推理尺寸 imgsz = 320 # 从 640 降到 320 # 2. 用更小的模型 model = YOLO("yolov8n.pt") # n < s < m < l < x # 3. 减小 batch size（如果做批量推理） # 4. 限制每帧检测数量 max_det = 100

Q3: 长视频处理时内存爆满

解决：开启流式推理stream=True：

python

results = model.predict(source="long_video.mp4", stream=True) for r in results: # 逐帧处理，不会把所有结果存内存 boxes = r.boxes

⚠️stream=False（默认）会把每一帧的结果都存在内存里，视频越长内存占用越大。

Q4: 预训练模型检测效果不好

原因：COCO 预训练模型是通用模型，不针对特定场景。

解决：用自己的数据集微调（Fine-tune）：

powershell

# 1. 准备数据集（YOLO 格式） # 2. 训练 yolo detect train data=你的数据集.yaml model=yolov8n.pt device=0 epochs=100 imgsz=640 # 3. 用训练好的模型推理 yolo detect predict model=runs/detect/train/weights/best.pt source=视频.mp4 device=0

Q5: 检测结果中有很多误检

解决：

python

# 提高置信度阈值 conf = 0.5 # 从 0.25 提高到 0.5 # 降低 IoU 阈值（减少重复框） iou = 0.3 # 从 0.45 降到 0.3 # 只检测你关心的类别 classes = [0] # 只检测人

总结