YOLOv8 出来一段时间了，继承了分类、检测、分割，本文主要实现自定义的数据集，使用 YOLOV8 进行检测模型的训练和使用
YOLOv8 此次将所有的配置参数全部解耦到配置文件
default.yaml
，不再类似于 YOLOv5，一部分在配置文件，一部分在
train.py
中
1. 运行环境
windows11 和 Ubuntu20.04（建议使用 Linux 系统）
首先切换到自己建立的虚拟环境安装
pytorch
torch 1.12.0+cu116（根据自身设备而定）
torchvision 0.13.0+cu116（根据自身设备而定）
安装完成后，使用 git 命令将源码克隆下来
git clone https://github.com/ultralytics/ultralytics.git
参照官网，直接使用以下语句即可导入项目所需要的库
pip install ultralytics
根据官方的解释，pip 的
ultralytics
库包含了
requirements.txt
中的所有库
2. 自定义数据集
我自己准备了一批 熊猫、老虎的图片作为实验数据集，文件夹命名为
data
（文件路径：
/home/mango/ultralytics/data
），对数据集进行划分后的文件夹整体目录结构如下
images
下包含
train、val
文件夹，这两个文件夹下包含此次需要的
图片信息
labels
下包含
train、val
文件夹，这两个文件夹下包含此次需要的
对应图片的标注信息
test_images
下包含的是提供测试的数据集
ps：数据集形式共有3种，可根据自己实际情况采用
1)dir: path/to/imgs,2)file: path/to/imgs.txt,or3)list:[path/to/imgs1, path/to/imgs2,..]
3. 模型训练（四种方式）
首先在
data
文件夹下新建一个数据加载配置文件
animal.yaml
train:/home/mango/ultralytics/data//images/train
val:/home/mango/ultralytics/data/images/val
# number of classes
nc:2# class names
names:['panda','tiger']
接下来就可以准备开始训练了
打开终端，进入虚拟环境，进入yolov8的文件夹，
考虑到命令行模式下下载模型可能有点慢，所以先在官方仓库下载好模型，并放入新建的
weights
（文件路径：
/home/mango/ultralytics/weights
）目录下
YOLOv8模型仓库
(1) 第一种方式（参数重写）
参数很多，建议查看 官网文档
下面是yolov8官方给定的命令行训练/预测/验证/导出方式：
yolo task=detect mode=train model=yolov8n.pt args...
classify predict yolov8n-cls.yaml args...
segment val yolov8n-seg.yaml args...
export yolov8n.pt format=onnx args...
最后输入以下命令即可开始训练（参数很多可以修改，建议查看官网文档，或者查看
/home/mango/ultralytics/ultralytics/yolo/cfg
下的
default.yaml
文件）
yolo task=detect mode=train model=weights/yolov8n.pt data=data/animal.yaml batch=16 epochs=50 imgsz=640 workers=16 device=0
可以看到已经成功开始训练，运行生成的权重、混淆矩阵等信息存在于
/home/mango/ultralytics/runs
下面
(2) 第二种方式（重写配置文件）
可以新建一个配置文件，例如：
demo.yaml
，参数配置内容从
/home/mango/ultralytics/ultralytics/yolo/cfg/default.yaml
复制即可
或者使用命令行
yolo copy-cfg
它会自动生成一个
default_copy.yaml
(目录地址：
/home/mango/ultralytics/default_copy.yaml
)
截取的部分参数信息如下：
# Ultralytics YOLO 🚀, GPL-3.0 license# Default training settings and hyperparameters for medium-augmentation COCO training
task: detect # inference task, i.e. detect, segment, classify
mode: train # YOLO mode, i.e. train, val, predict, export# Train settings -------------------------------------------------------------------------------------------------------
model:# path to model file, i.e. yolov8n.pt, yolov8n.yaml
data:# path to data file, i.e. coco128.yaml
epochs:100# number of epochs to train for
patience:50# epochs to wait for no observable improvement for early stopping of training
batch:16# number of images per batch (-1 for AutoBatch)
imgsz:640# size of input images as integer or w,h
save:True# save train checkpoints and predict results
save_period:-1# Save checkpoint every x epochs (disabled if < 1)
cache:False# True/ram, disk or False. Use cache for data loading
device:# device to run on, i.e. cuda device=0 or device=0,1,2,3 or device=cpu
workers:8# number of worker threads for data loading (per RANK if DDP)
project:# project name
name:# experiment name......
根据自身需求，修改相应参数，例如：修改
model、data、epochs、batch
model: weights/yolov8n.pt # path to model file, i.e. yolov8n.pt, yolov8n.yaml
data: data/animal.yaml # path to data file, i.e. coco128.yaml
epochs:20# number of epochs to train for
batch:8# number of images per batch (-1 for AutoBatch)
然后在终端输入下列代码行命令即可开始训练
yolo cfg=default_copy.yaml
ps: 还可以使用
yolo cfg=default_copy.yaml imgsz=320 batch=8
的方式修改
imgz、batch
等参数信息
可以看到也已经成功开始训练，运行生成的权重、混淆矩阵等信息存在于
/home/mango/ultralytics/runs
下面
(3) 第三种方式（python命令）
在 Python 环境中直接使用
from ultralytics import YOLO
# 加载模型# model = YOLO("yolov8n.yaml") # 从头开始构建新模型
model = YOLO("weights/yolov8n.pt")# 加载预训练模型（推荐用于训练）# Use the model
results = model.train(data="data/animal.yaml", epochs=20, batch=8)# 训练模型
或者创建一个
demo.py
, 将上述代码拷贝到 demo.py，然后调用
python demo.py
即可
可以看到也已经成功开始训练，运行生成的权重、混淆矩阵等信息存在于
/home/mango/ultralytics/runs
下面
(4) 第四种方式（python文件调用）
进入
/home/mango/ultralytics/ultralytics/yolo
目录下，复制
animal.yaml、yolov8n.pt
到
/home/mango/ultralytics/ultralytics/yolo/v8/detect
目录，
修改
/home/mango/ultralytics/ultralytics/yolo/cfg/default.yaml
的
model、data
路径及其他参数信息
# Ultralytics YOLO 🚀, GPL-3.0 license# Default training settings and hyperparameters for medium-augmentation COCO training
task: detect # inference task, i.e. detect, segment, classify
mode: train # YOLO mode, i.e. train, val, predict, export# Train settings -------------------------------------------------------------------------------------------------------
model: yolov8n.pt # path to model file, i.e. yolov8n.pt, yolov8n.yaml
data: animal.yaml # path to data file, i.e. coco128.yaml
epochs:100# number of epochs to train for
patience:50# epochs to wait for no observable improvement for early stopping of training
batch:16# number of images per batch (-1 for AutoBatch)
imgsz:640# size of input images as integer or w,h
save:True# save train checkpoints and predict results
save_period:-1# Save checkpoint every x epochs (disabled if < 1)
cache:False# True/ram, disk or False. Use cache for data loading
device:# device to run on, i.e. cuda device=0 or device=0,1,2,3 or device=cpu
workers:8# number of worker threads for data loading (per RANK if DDP)
运行 train.py
可以看到也已经成功开始训练，运行生成的权重、混淆矩阵等信息存在于
/home/mango/ultralytics/yolo/v8/detect/runs
下面
4. 模型预测
可修改的参数很多，建议查看 官网文档
和模型训练一样，预测同样可以采用不同的方式去实现，这里展示其中一种方法，主要目前还是看看模型效果
将训练得到的
best.pt
复制到
/home/mango/ultralytics/weights
下，执行如下指令
yolo detect predict model=weights/best.pt source=data/test_images save=True
结果如下：
最后一张图没有检测好，估计是跟我训练数据集数量有关系（总共40+张），还有一个就是训练轮次（50轮，花了不到2分钟时间😂）
👍 但总体来说，效果还是可以的，速度精度都不低 🔥
5. 最后
🚀 接下来准备试试 onnx、和 TensorRT 的部署 ❗️
版权归原作者 MangoloD 所有， 如有侵权，请联系我们删除。