YOLOv8模型训练过程

一，conda环境的创建就略过了

        先进行库工具安装

        pip install ultralytics -i https://pypi.tuna.tsinghua.edu.cn/simple

二，在github上下载好模型，先预测一把
        yolo predict model=yolov8n.pt source=ultralytics/assets/bus.jpg

        如果无法自动下载yolov8n.pt可以先在别的地方下载好，再拖到项目下，在model=下给出文件地址即可

三，准备自己数据集的格式

data    （从这里可以看出，在训练时，去同级labels中去寻找对应的标注txt文件的）
——train
    ——images（一个个的单张图片）
    ——labels  （名字相同的txt文件）
——val
    ——imags
    ——labels

四，yaml(这个也可以放绝对路径，绝对路径更安全一些)
        train: /data/train
        val: /data/val
        test: /data/test

# number of classes
nc: 1

五，单卡训练指令

yolo task=detect mode=train model=yolov8n.pt data=E:\yolov8\dataset_2.yaml batch=15 epochs=10 imgsz=640 workers=0 device=cpu

六，针对图片进行预测 ——source可以是单张图片，也可以是一个文件夹

yolo task=detect mode=predict model=runs/detect/train/weights/best.pt source=data2/test device=cpu

七，onnx的导出

需要安装 onnxslim  onnxruntime

pip install  onnxslim  onnxruntime -i https://mirrors.aliyun.com/pypi/simple/

导出onnx的代码

yolo task=detect mode=export model=runs/detect/train/weights/best.pt format=onnx

八，输出结构介绍

通过NEtron看一下输出结构 输出1*5*8400

1*（center_x,center_y, w, h+n*class(config)）*8400  这里只有一个类别，所以是4+1=5

640*640的图片下采样8倍，16倍，32倍的预测

80*80+40*40+20*20=8400