服务器A 跑yolov8

### 如何在服务器上部署和运行 YOLOv8

#### 创建 Python 虚拟环境
为了确保依赖项不会与其他项目冲突，建议创建一个新的虚拟环境。通过 Anaconda 来管理这个过程会更加方便。

conda create -n yolov8 python=3.10
conda activate yolov8

这将建立一个名为 `yolov8` 的新环境，并激活它以便后续操作都在此环境中执行[^3]。

#### 获取 YOLOv8 源码
接下来需要获取 Ultralytics 提供的官方 YOLOv8 仓库中的最新代码：

git clone https://github.com/ultralytics/ultralytics.git
cd ultralytics

上述命令会在当前目录下克隆整个项目的副本到本地机器上，进入该文件夹准备进一步安装必要的库。

#### 安装所需的 Python 库
Ultralytics 已经整理好了所有必需的包，在根目录下的 setup.py 文件里定义了这些需求。只需要简单地运行如下指令即可完成安装:

pip install ultralytics

如果遇到网络连接缓慢的问题，可以考虑使用国内镜像站点加速下载速度，比如清华大学开源软件镜像站提供的服务[^2]。

#### 测试模型是否正常工作
现在一切就绪，可以通过下面这段简单的脚本来验证安装是否成功以及基本功能能否正常使用：

from ultralytics import YOLO

model = YOLO('yolov8n.pt')  # 加载预训练的小型版本模型
results = model.predict(source='bus.jpg', show=True, save=True)
print(results)

以上代码加载了一个轻量级的预训练权重文件并对一张图片进行了预测处理，同时显示结果并将图像保存下来[^1]。