一、获取代码
YOLOv8官方GitHub网址
https://github.com/ultralytics/ultralytics
获取YOLOv8代码压缩包
二、虚拟环境配置
这个就不写了，装个Anaconda，网上教程很多
三、PyCharm安装与配置（可选）
这个也不写了，直接用命令行也行，或者使用其他IDE，网上教程很多
四、下载ultralytics依赖库
这里默认代码压缩包已经打开，并且PyCharm也已经装好并打开了。
此时的终端已经打开，并且路径在YOLOv8的文件夹下。
输入YOLOv8官方代码里的REDAME.md里的第一步（代码部署都应该先看一下作者写的README.md文件，相当于代码的使用说明书）
pip install ultralytics
五、测试YOLOv8安装的成功与否
这是YOLOv8作者的使用在网络图片的测试语句
yolo predict model=yolov8n.pt source='https://ultralytics.com/images/bus.jpg'
这是使用本地图片的测试语句
yolo task=detect mode=predict model=yolov8n.pt conf=0.25 source='ultralytics/assets/bus.jpg'
只要能正确得出运行结果，就说明YOLOv8安装成功了。
而这个运行结果为什么会保存在ultralytics\runs\detect\train这个路径下，则会在下一节讲述。
六、YOLOv8的保存路径
YOLOv8的保存路径与YOLOv5不同，是使用settings.yaml文件来设定的。
这个文件放在这个路径下
C:\Users\你的用户名\AppData\Roaming\Ultralytics
详情参考这个博客 YOLOv8数据集存放位置
之所以会谈到这个问题，是因为YOLOv8的文件路径相比YOLOv5有所变动，所以建议用绝对路径。
七、为使用YOLOv8来运行自己的数据集做一些准备工作
首先需要数据集，也就是train(训练集)、val(验证集)、test(测试集)。
这个就不多说了，网络上也有很多教程。
主要讲所需的另一份文件dataset.yaml
这里最好用绝对路径，不然会报错，相对路径也不是不可以，就是没那个耐心调整了。
train: 训练集所在的绝对路径
# train images (relative to 'path')
# 例如D:/yolov8/ultralytics/datasets/train/images
val: 验证集所在的绝对路径
# val images (relative to 'path')
# 例如D:/yolov8/ultralytics/datasets/val/images
test: 测试集所在的绝对路径
# test images (optional)
# 例如D:/yolov8/ultralytics/datasets/test/images
# number of classes
nc: 数据集种类的数量
# Classes
names: [数据集的种类的名称]
八、使用Python文件来运行自己的数据集
from ultralytics import YOLO
# Load a model
#model = YOLO("yolov8n.yaml") # build a new model from scratch
model = YOLO("yolov8n.pt") # load a pretrained model (recommended for training)
# Use the model
model.train(data="./dataset.yaml", epochs=3) # train the model
参考文章：
YOLOv8详解 【网络结构+代码+实操】
windows使用YOLOv8训练自己的模型（0基础保姆级教学）
YOLOv8部署训练操作实录
用YOLOv8一站式解决图像分类、检测、分割
YOLOv8数据集存放位置
零基础：编译器安装+深度学习环境配置+YOLOv8运行：第三部分YOLOv8运行
