ubuntu训练yolov8 vsode

### 在 Ubuntu 上通过 VSCode 进行 YOLOv8 模型训练 要在 Ubuntu 系统上使用 Visual Studio Code (VSCode) 训练 YOLOv8 模型，可以按照以下方法完成环境配置和模型训练。 #### 1. 安装依赖项 确保系统已安装必要的软件包。如果尚未安装 `conda` 或其他工具，请先执行以下命令： ```bash sudo apt update && sudo apt upgrade -y sudo apt install git build-essential cmake libopencv-dev -y ``` 创建并激活 Conda 虚拟环境以隔离 Python 版本和其他依赖项： ```bash conda create -n YOLOV8 python=3.8 conda activate YOLOV8 ``` [^1] #### 2. 安装 Ultralytics 和 PyTorch Ultralytics 是官方支持的 YOLOv8 库，因此需要将其作为主要依赖项进行安装。同时，PyTorch 的版本应与硬件兼容（例如 CUDA 支持）。运行以下命令来安装必要库： ```bash pip install ultralytics==8.0.36 pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu117 ``` 对于无 GPU 的情况，可省略 `--index-url` 参数以默认安装 CPU 版本的 PyTorch 。 为了实现更直观的日志记录功能，还可以额外安装 TensorBoard： ```bash pip install tensorboard ``` #### 3. 配置 VSCode 工作区 打开终端，在目标目录下克隆 Ultralytics GitHub 存储库或直接下载源码文件： ```bash git clone https://github.com/ultralytics/ultralytics.git cd ultralytics/ ``` 启动 VSCode 并加载当前工作区： ```bash code . ``` 在 VSCode 中设置正确的 Python 解释器路径（即之前创建的虚拟环境），可以通过快捷键 `Ctrl+Shift+P` 打开命令面板，输入 **Python: Select Interpreter** 来选择对应的 Conda 环境。 #### 4. 修改 tasks.json 文件 编辑 `.vscode/tasks.json` 文件以定义编译参数或其他自定义脚本。以下是可能的内容结构示例： ```json { "version": "2.0.0", "tasks": [ { "label": "train_yolov8", "type": "shell", "command": "python", "args": [ "detect/train.py", "--data", "coco128.yaml", "--epochs", "50", "--batch-size", "16" ], "group": { "kind": "build", "isDefault": true }, "problemMatcher": [] } ] } ``` 注意：上述 JSON 数据中的 `"${fileDirname}\\*.cpp"` 替换为实际使用的 Python 脚本及其参数 [^3]。 #### 5. 启动训练任务 保存所有更改后，按快捷键 `Ctrl+Shift+B` 或者手动触发构建任务菜单下的指定标签名（如上面例子中的 `train_yolov8`）即可开始训练流程。 --- ### 注意事项 - 如果遇到错误 `'Upsample' object has no attribute 'recompute_scale_factor'` ，这通常是因为 PyTorch 版本较低所致；建议升级到最新稳定版或者调整 Upsample 层初始化方式 [^2]。 - 对于大规模数据集处理需求较高的场景，推荐启用 NVIDIA GPU 加速计算性能优化效果最佳。