Python | OpenCV YOLOv8 介紹與環境安裝

📚 前言

在 從分類到偵測 — YOLOv8 系列介紹 中說明了分類與偵測任務的差異，以及這個子系列的學習路線。
如果你的目標是「在圖片中找出物件的位置」，也就是物件偵測任務，就需要不同的模型與訓練方式。

YOLOv8 是目前最主流的即時物件偵測框架，由 Ultralytics 開發與維護。
這個系列文章將帶你從環境安裝開始，一路到用自己的資料集訓練出專屬的偵測模型。

🔎 什麼是 YOLO？

YOLO（You Only Look Once）是一系列即時物件偵測模型的統稱。
與傳統的兩階段偵測器（如 Faster R-CNN）不同，YOLO 只需一次前向傳播就能同時預測所有物件的位置與類別，速度極快。

YOLOv8 是第八代，由 Ultralytics 在 2023 年發布，相較前代有以下特點：

• 更高的偵測準確度（mAP）
• 更快的推論速度
• 統一的 Python API，支援偵測、分割、分類、姿態估計等多種任務
• 內建訓練、驗證、推論、匯出等完整工具鏈

🧠 模型規格與選擇

圖：YOLOv8 五種模型規格比較 ─ 從 nano 到 extra 的參數量、準確度、速度與推薦情境

💡 建議先用 yolov8n 或 yolov8s 跑通訓練流程，確認資料沒問題後，再換較大的模型提升準確度。

🛠️ 環境安裝

本系列後續所有範例皆以 GPU 執行為主。

相關環境安裝文章：

• CUDA 與 cuDNN：用途與環境安裝
• GPU 加速與效能優化

1
2

# 安裝 ultralytics
pip install ultralytics

💻 驗證安裝

1
2
3
4
5
6
7
8
9
10

# verify_install.py
import torch
import ultralytics

# 確認 GPU 可用
print(torch.cuda.is_available())       # True
print(torch.cuda.get_device_name(0))   # 顯卡名稱

# 確認 ultralytics 環境
ultralytics.checks()

正常輸出範例（GPU）：

1
2
3
4

True
NVIDIA GeForce RTX XXXX
Ultralytics YOLOv8.x.x 🚀 Python-3.10.x torch-2.x.x CUDA:0 (NVIDIA GeForce RTX XXXX, XXXXMB)
Setup complete ✅ (8 CPUs, 16.0 GB RAM, 100.0 GB disk)

💡 若 torch.cuda.is_available() 回傳 False，代表 PyTorch 的 GPU 版本未正確安裝，請重新確認 CUDA 版本並參照 pytorch.org 安裝對應版本。

💻 使用預訓練模型快速測試

安裝完成後，我們可以用 Ultralytics 提供的 CLI（指令列）方式快速測試 YOLOv8 是否正常運作。
YOLOv8 的 CLI 非常方便，適合快速驗證環境與模型效果。

💡 以下範例使用的 yolov8n.pt 是以 COCO 資料集預訓練的權重，能偵測 80 種常見物件（人、車、動物、家電、食物、家具等）。若目標物件不在這 80 類內，則需要自行蒐集資料訓練自訂模型，這正是後續幾篇要介紹的重點。

🔹 使用指令列（CLI）快速測試

🔸 偵測單張圖片

• ⌨ 指令：

  1 2	# 偵測圖片（使用 Ultralytics 官方測試圖片，第一次執行會自動下載模型權重） yolo detect predict model=yolov8n.pt source="https://ultralytics.com/images/bus.jpg"

• 🖥️ 輸出：

  1 2 3 4 5 6 7 8

  Ultralytics 8.4.26 Python-3.10.11 torch-2.11.0+cu130 CUDA:0 (NVIDIA GeForce RTX 2060 SUPER, 8192MiB) YOLOv8n summary (fused): 72 layers, 3,151,904 parameters, 0 gradients, 8.7 GFLOPs Found https://ultralytics.com/images/bus.jpg locally at bus.jpg image 1/1 D:\PythonWorkspace\opencv-tutorial\bus.jpg: 640x480 4 persons, 1 bus, 1 stop sign, 27.1ms Speed: 1.9ms preprocess, 27.1ms inference, 12.6ms postprocess per image at shape (1, 3, 640, 480) Results saved to D:\PythonWorkspace\opencv-tutorial\runs\detect\predict Learn more at https://docs.ultralytics.com/modes/predict

  📝 說明：這是測試環境是否正常的最簡單方式。模型會自動偵測圖片中的物件，並在終端機顯示偵測到的類別與信心度，同時會把結果圖片儲存到 runs/detect/predict 資料夾。

🔸 偵測本地圖片

• ⌨ 指令：

  1 2	# 偵測本地圖片（street.jpg 為「OpenCV 與深度學習框架整合」篇使用的 Pexels 街景素材） yolo detect predict model=yolov8n.pt source=assets/street.jpg

• 🖥️ 輸出：

  1 2 3 4 5 6 7

  Ultralytics 8.4.26 Python-3.10.11 torch-2.11.0+cu130 CUDA:0 (NVIDIA GeForce RTX 2060 SUPER, 8192MiB) YOLOv8n summary (fused): 72 layers, 3,151,904 parameters, 0 gradients, 8.7 GFLOPs image 1/1 D:\PythonWorkspace\opencv-tutorial\assets\street.jpg: 448x640 1 person, 7 cars, 2 buss, 28.7ms Speed: 2.2ms preprocess, 28.7ms inference, 12.0ms postprocess per image at shape (1, 3, 448, 640) Results saved to D:\PythonWorkspace\opencv-tutorial\runs\detect\predict Learn more at https://docs.ultralytics.com/modes/predict

  📝 說明：把 source 改成你本機的圖片路徑即可。結果圖片會自動儲存，並在終端機顯示偵測到的物件數量與類別。

🔸 偵測影片

• ⌨ 指令：

  1 2	# 偵測影片（street.mp4 同上） yolo detect predict model=yolov8n.pt source=assets/street.mp4

• 🖥️ 輸出：

  1 2 3 4 5 6 7 8 9 10 11 12

  Ultralytics 8.4.26 Python-3.10.11 torch-2.11.0+cu130 CUDA:0 (NVIDIA GeForce RTX 2060 SUPER, 8192MiB) YOLOv8n summary (fused): 72 layers, 3,151,904 parameters, 0 gradients, 8.7 GFLOPs video 1/1 (frame 1/93) D:\PythonWorkspace\opencv-tutorial\assets\street.mp4: 384x640 8 persons, 2 cars, 3 traffic lights, 1 handbag, 20.4ms video 1/1 (frame 2/93) D:\PythonWorkspace\opencv-tutorial\assets\street.mp4: 384x640 8 persons, 2 cars, 3 traffic lights, 1 handbag, 7.6ms ... 省略 ... video 1/1 (frame 91/93) D:\PythonWorkspace\opencv-tutorial\assets\street.mp4: 384x640 15 persons, 1 car, 3 traffic lights, 7.6ms video 1/1 (frame 92/93) D:\PythonWorkspace\opencv-tutorial\assets\street.mp4: 384x640 12 persons, 1 car, 2 traffic lights, 7.4ms video 1/1 (frame 93/93) D:\PythonWorkspace\opencv-tutorial\assets\street.mp4: 384x640 12 persons, 1 car, 2 traffic lights, 7.4ms Speed: 1.3ms preprocess, 7.8ms inference, 1.6ms postprocess per image at shape (1, 3, 384, 640) Results saved to D:\PythonWorkspace\opencv-tutorial\runs\detect\predict Learn more at https://docs.ultralytics.com/modes/predict

  📝 說明：YOLOv8 會逐幀處理影片，並在終端機顯示每幀的偵測結果。處理完後會自動把帶有偵測框的影片儲存起來。

🔸 即時攝影機偵測

• ⌨ 指令：

  1 2	# 即時攝影機偵測（需有攝影機，0 代表預設裝置） yolo detect predict model=yolov8n.pt source=0

• 🖥️ 輸出：

  1 2 3 4 5 6 7

  Ultralytics 8.4.26 Python-3.10.11 torch-2.11.0+cu130 CUDA:0 (NVIDIA GeForce RTX 2060 SUPER, 8192MiB) YOLOv8n summary (fused): 72 layers, 3,151,904 parameters, 0 gradients, 8.7 GFLOPs [ WARN:0@0.001] global cap_ffmpeg_impl.hpp:1217 open VIDEOIO/FFMPEG: Failed list devices for backend dshow [ERROR:0@2.857] global obsensor_uvc_stream_channel.cpp:163 cv::obsensor::getStreamChannelGroup Camera index out of range ... 省略 ... ConnectionError: 1/1: 0... Failed to open 0

  📝 說明：如果出現類似錯誤，通常是因為沒有連接攝影機，或攝影機被其他程式占用。解決方式：確認攝影機已連接，並關閉其他可能使用攝影機的程式（例如 Zoom、Teams、Camera App）。成功時會開啟一個視窗，即時顯示偵測結果。

🔹 Python API 方式

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18

# inference.py
from ultralytics import YOLO

# 載入預訓練模型（自動下載 yolov8n.pt）
model = YOLO("yolov8n.pt")

# 對圖片推論（使用 Ultralytics 官方測試圖片）
results = model("https://ultralytics.com/images/bus.jpg")

# 顯示結果
results[0].show()

# 查看偵測到的物件
for box in results[0].boxes:
    cls_id = int(box.cls)
    conf   = float(box.conf)
    label  = model.names[cls_id]
    print(f"偵測到：{label}，信心度：{conf:.2f}")

圖：使用 YOLOv8 Python API 載入預訓練模型對圖片推論並輸出偵測到的物件類別與信心度

⚠️ 注意事項

• 第一次執行會自動下載模型權重：yolov8n.pt 約 6MB，yolov8x.pt 約 130MB，需要網路連線。
• ultralytics 會將下載的模型快取在 ~/.cache/ultralytics/（或 Windows 的 %USERPROFILE%\.cache\ultralytics\）。
• PyTorch 版本需與 CUDA 版本對應：安裝時請至 pytorch.org 確認當前 CUDA 版本對應的 --index-url，版本不符會導致安裝到 CPU 版本。

📊 應用場景

• 快速驗證可行性：用預訓練模型先測試偵測效果，確認方向後再進入自訓練流程。
• 直接部署通用偵測：若目標物件恰好在 COCO 80 類別內，可直接使用預訓練模型而無需訓練。

🎯 結語

YOLOv8 的環境設定相當簡單，pip install ultralytics 就能擁有完整的工具鏈。
下一步是 YOLOv8 資料集準備，學習如何組織自己的資料，讓 YOLOv8 能夠讀取並訓練。

📖 如在學習過程中遇到疑問，或是想了解更多相關主題，建議回顧一下 Python | OpenCV 系列導讀，掌握完整的章節目錄，方便快速找到你需要的內容。

註：以上參考了
Ultralytics YOLOv8 官方文件
Ultralytics GitHub