文章为个人学习笔记，方便复习和查阅
如有雷同纯属巧合
所有课程均免费，可以在原作者B站上去学习，源码也可以在原作者视频小店购买，一杯奶茶钱
视频地址

2、yolov8前端系统总述

总结：Yolov8 官方数据 比Yolov5 好，但是实际项目中Yolov5的自有数据集时并不一定比Yolov8差
提供万能前端系统- 目标监测系统

2-1、资料

资料名	描述
yolov8_ui	目标检测系统代码（适用于所有数据集）
yolov8	模型训练代码
安全帽、反光衣-数据集	路径：yolov8\VOCdevkit\VOC2007\JPEGImages

2-2、展示效果

3、软件及其深度学习环境安装

【Yolov8】1、anaconda下载安装创建独立环境
【Yolov8】2、pycharm下载安装 + yolov8 环境安装【CPU版】
【yolov8】3、yolov8 环境安装 【GPU版】

Anaconda 和 PyTorch 是数据科学和机器学习领域中两个常用的工具，它们各自有不同的功能和用途，但可以结合使用以简化开发环境的管理和深度学习模型的构建。

---

1. Anaconda

Anaconda 是一个开源的 Python 和 R 语言的发行版，主要用于数据科学、机器学习、深度学习和科学计算。它提供了以下核心功能：

• 包管理：通过 conda 命令管理 Python 包和依赖项，支持跨平台（Windows、macOS、Linux）。
• 环境管理：允许用户创建独立的虚拟环境，避免不同项目之间的依赖冲突。
• 预装工具：内置常用的数据科学工具和库，如 NumPy、Pandas、Matplotlib、Scikit-learn 等。
• 社区支持：拥有庞大的用户社区，提供了丰富的资源和扩展包。

适用场景：

• 快速搭建数据科学和机器学习环境。
• 管理复杂的依赖关系，特别是当项目需要不同版本的库时。
• 在团队中共享和复现实验环境。

---

2. PyTorch

PyTorch 是一个开源的深度学习框架，由 Facebook 的人工智能研究实验室（FAIR）开发。它提供了以下核心功能：

• 动态计算图：支持动态神经网络构建，便于调试和实验。
• GPU 加速：通过 CUDA 和 cuDNN 实现高效的张量计算，充分利用 GPU 加速。
• 丰富的 API：提供了构建和训练神经网络的高层 API，同时也支持底层张量操作。
• 社区和生态系统：拥有活跃的社区和丰富的预训练模型库（如 torchvision）。

适用场景：

• 构建和训练深度学习模型，如卷积神经网络（CNN）、循环神经网络（RNN）等。
• 快速原型设计和实验，特别是在需要动态调整网络结构时。
• 部署深度学习模型到生产环境。

---

3. Anaconda 与 PyTorch 的结合使用

• 环境管理：使用 Anaconda 创建独立的虚拟环境，安装特定版本的 PyTorch 和其他依赖项。

  # 安装python环境，版本名3.8，环境名yolov8
  conda create -n yolov8 python=3.8 
  
  # 使用环境 yolov8
  conda activate yolov8
  
  # 安装依赖，如 PyTorch深度学习框架 等
  conda install pytorch==1.11.0 torchvision==0.12.0 torchaudio==0.11.0 cudatoolkit=11.3 -c pytorch
  

  （如果使用 GPU，可安装支持 CUDA 的版本）

• 依赖管理：通过 conda 或 pip 管理 PyTorch 及其相关库的版本，确保兼容性。

• 快速部署：利用 Anaconda 的环境导出功能，方便在不同机器上复现实验环境。

  conda env export > environment.yml
  conda env create -f environment.yml
  

---

4. 总结

• Anaconda 是一个强大的工具，用于管理 Python 环境和依赖项，特别适合数据科学和机器学习项目。
• PyTorch 是一个灵活且高效的深度学习框架，适合构建和训练各种神经网络模型。
• 结合使用 Anaconda 和 PyTorch，可以简化开发流程，提高开发效率，并确保项目的可复现性。

如果你刚开始接触深度学习，建议先学习 Python 基础，然后通过 Anaconda 搭建环境，再逐步学习 PyTorch 的使用。