Yolov8的训练确实会受不同显卡的影响，主要表现在训练速度和可用的批量大小上。通常来说，拥有更高显卡性能的计算机能够获得更快的训练速度和更大的批量大小，从而加速模型的训练和优化。但是，不同显卡之间的差异并不是绝对的，可能会因为使用的算法、数据集或其他因素而有所不同。因此，对于使用Yolov8进行实际应用的人员，需要根据自己的实际情况和要求选择适合自己的显卡配置，以获得最佳的训练效果和可靠性。
YOLOv7和YOLOv5是两个性能非常优秀且基于YOLO系列设计的目标检测神经网络。
相比于YOLOv5，YOLOv7的最大改进在于检测精度和速度上的提升。YOLOv7使用了比YOLOv5更深的网络结构，并采用方法来减少特征层中信息的损失。同时，YOLOv7增加了更多的先进技术，如空洞卷积、通道注意力机制、多尺度训练和测试等，从而显著提升了其检测精度。
然而，YOLOv7的速度不如YOLOv5，这是由于模型变得更大、复杂度更高所致。与此相比，YOLOv5虽然在检测精度上稍逊一筹，但它的速度非常快，适用于实时应用场景。此外，YOLOv5降低了YOLOv4中的计算开销，并引入了Swish激活函数和CSP架构等新技术，提升了检测速度和精度。
综上所述，YOLOv7对于一些需要较高精度的任务是非常有用的，而YOLOv5则更适合需要实时性反应快的场景。
YOLOv8是一种先进的、尖端的模型，它建立在先前YOLO成功基础上，并引入了新功能和改进，以进一步提升性能和灵活性。它的优点包括用户友好的API、可以同时实现分类、检测、分割和姿态估计任务、速度更快、准确率更高、全新的结构、新的损失函数等。此外，YOLOv8还可以在大型数据集上进行训练，并且能够在各种硬件平台上运行，从CPU到GPU。它的一个关键特性是它的可扩展性，它被设计成一个框架，支持所有以前YOLO的版本，使得在不同版本之间切换和比较它们的性能变得容易。
然而，没有模型是完美的，YOLOv8也有一些缺点。例如，它可能不如一些其他模型那么容易理解和实现，可能需要更多的计算资源和训练时间。此外，虽然YOLOv8在许多任务上表现出色，但在某些特定任务上可能不如其他模型。
总的来说，YOLOv8是一种强大而灵活的目标检测和图像分割工具，提供了两个最好的功能：最新的SOTA技术；使用和比较所有以前YOLO版本的能力。然而，它的缺点也需要被考虑到，特别是在选择和使用模型时。