在Python>=3.8环境中，使用PyTorch>=1.8安装ultralytics包，包括所有依赖项。

pip install ultralytics

有关其他安装方法，包括Conda、Docker和Git，请参阅快速入门指南。

CLI

YOLOv8可以直接在命令行界面（CLI）中使用yolo命令：

yolo predict model=yolov8n.pt source='https://ultralytics.com/images/bus.jpg'

yolo可以用于多种任务和模式，并接受额外的参数，例如imgsz=640。有关示例，请参阅YOLOv8的CLI文档。

Python

YOLOv8也可以在Python环境中直接使用，并接受与上述CLI示例相同的参数：

from ultralytics import YOLO

# 加载模型
model = YOLO("yolov8n.pt")

# 训练模型
train_results = model.train(
    data="coco8.yaml",  # 数据集YAML路径
    epochs=100,  # 训练轮数
    imgsz=640,  # 训练图像大小
    device="cpu",  # 运行设备，例如device=0或device=0,1,2,3或device=cpu
)

# 在验证集上评估模型性能
metrics = model.val()

# 对图像进行对象检测
results = model("path/to/image.jpg")
results[0].show()

# 将模型导出为ONNX格式
path = model.export(format="onnx")  # 返回导出模型的路径

更多示例请参阅YOLOv8的Python文档。

有关在COCO上训练的模型的使用示例，请参阅检测文档，其中包括80个预训练类别。

| 模型 | 大小
^{(像素) | mAPval
50-95 | 速度
CPU ONNX
(ms) | 速度
A100 TensorRT
(ms) | 参数
(M) | FLOPs
(B) |}