Para empezar a trabajar con YOLOv8, es necesario obtener su código fuente oficial. El proyecto ahora se conoce como ultralytics. Puedes descargar el paquete comprimido desde el repositorio oficial de GitHub.
Una vez descargado, se recomienda crear un directorio dedicado en tu sistema (por ejemplo, C:\proyectos\yolov8) y extraer allí el contenido del archivo.
El siguiente paso crucial es configurar un entorno virtual aislado. Usando Anaconda, puedes crear uno con Python 3.9 con el siguiente comando en la terminal de Anaconda:
conda create -n yolo_env python=3.9
Activa el entorno recién creado para instalar las dependencias sin afectar a tu sistema global:
conda activate yolo_env
Para una experiencia de desarrollo integrada, puedes abrir la carpeta del proyecto (por ejemplo, ultralytics-main) con PyCharm. Es fundamentla configurar el intérprete de Python del proyecto para que apunte al ejecutable de Python dentro de tu entorno virtual conda. La ruta típica en Windows es C:\Users\<tu_usuario>\.conda\envs\yolo_env\python.exe.
La configuración del entorno implica instalar los paquetes necesarios. Para acelerar las descargas, puedes configurar un mirror de PyPI, como el de la Universidad de Tsinghua:
pip config set global.index-url https://mirrors.tuna.tsinghua.edu.cn/pypi/web/simple
A continuación, instala PyTorch. Para sistemas sin una GPU NVIDIA compatible, utiliza la versión de CPU:
pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cpu
Si tu sistema cuenta con una GPU, consulta la página oficial de PyTorch para obtener el comando de instalación correspondiente a tu versión de CUDDA.
Las dependencias adicionales del proyecto están listadas en el archivo requirements.txt. Navega hasta el directorio raíz del proyecto en tu terminal y ejecuta:
pip install -r requirements.txt
Para realizar una infreencia de demostración, necesitas los pesos preentrenados del modelo. Descarga el archivo yolov8n.pt desde los recursos oficiales del proyecto.
Coloca el archivo de pesos en la subcarpeta de detección del código fuente, que suele encontrarse en una ruta como ultralytics-main/ultralytics/models/yolo/detect/.
Dentro del mismo directorio, localiza el script predict.py y ejecútalo. Por defecto, el script procesará imágenes de muestra que se encuentran en la carpeta assets. Los resultados de la detección se guardarán en un nuevo directorio runs/detect/predict dentro de la ruta del proyecto. Puedes probar con tus propias imágenes agregándolas a la carpeta assets antes de ejecutar el script.