使用YOLOv8进行模型预测

1.YOLOv8简介

YOLOv8是一个十分强大且好用的工具，它专为各种数据来源的高性能实时推理而设计。使用YOLOv8进行推理的原因[1]：

多功能性：能够对图像、视频乃至实时流进行推理。

性能：工程为实时、高速处理而设计、不牺牲准确性。

易用性：直观的python和CLI接口，便于快速部署和测试。

高度可定制性：多种设置和参数可调，依据您的具体需求调整模型的推理行为。

YOLOv8可以用于分类、检测、分割、姿态等任务，其在github上的网址为：GitHub - ultralytics/ultralytics: NEW - YOLOv8 🚀 in PyTorch > ONNX > OpenVINO > CoreML > TFLite关于YOLOv8的使用在其给出的官方文档中已经有很详细的说明（中文文档为：主页 - Ultralytics YOLOv8 文档），此处仅简单介绍。

1.1使用CLI接口使用YOLOv8的模板：

yolo 任务 模式 参数

其中   任务（可选）是[detect, segment, classify]中的一个
        模式（必需）是[train, val, predict, export, track]中的一个
        参数（可选）是任意数量的自定义“arg=value”对，如“imgsz=320”，可覆盖默认值。

1.2使用python调用YOLOv8

from ultralytics import YOLO

# 从头开始创建一个新的YOLO模型
model = YOLO('yolov8n.yaml')

# 加载预训练的YOLO模型（推荐用于训练）
model = YOLO('yolov8n.pt')

# 使用“coco128.yaml”数据集训练模型3个周期
results = model.train(data='coco128.yaml', epochs=3)

# 评估模型在验证集上的性能
results = model.val()

# 使用模型对图片进行目标检测
results = model('https://ultralytics.com/images/bus.jpg')

# 将模型导出为ONNX格式
success = model.export(format='onnx')

2.YOLOv8中提供的数据集

YOLOv8中针对不同任务提供了不同的数据集，这些数据集在第一次调用时会自动下载。针对检测任务有coco,coco8,voc等数据集，针对分割任务有coco，coco-seg数据集，针对分类任务有CIFAR-10，ImageNet，MNIST等数据集。关于数据集的简单介绍在上述的中文文档中也有说明，接下来我说一下如何使用自己的数据集进行训练。

3.使用自己数据集

在制作自己的数据集时可以按照以下步骤进行（以下步骤来源于官方文档）：

（1）收集图像：收集属于数据集的图像，可以是公共数据集或自己收集的数据集。

（2）注释图像：根据任务对这些图像进行边界框、分段或关键点的标记。关于图像标注工具可以使用Labelme，而labelme的使用网上有详细的教程。

（3）导出注释：将这些注释转换为Ultralytics支持的YOLO*.txt文件格式。注意，使用labelme进行标注时生成的标注文件为json格式，因此要将json格式文件转换为txt格式（如何转换网上有许多的代码）。以下是我对一个苹果数据集标注后生成的txt文件：

上述中两行表示图片中有两个苹果，第一行第一个数字0表示类别，第2和第3个数据表示苹果的中心坐标（x,y)，第4和第5个数据表示标注框的宽和高。

（4）组织数据集：按正确的文件夹结构安排自己的数据集。应该有train/和val/顶级目录，在每个目录内有images/和labels/子目录。

dataset/
├── train/
│   ├── images/
│   └── labels/
└── val/
    ├── images/
    └── labels/

上面是官方给出的文件创作方式，也可以使用coco128数据集的文件格式，如下图所示：

在根目录下创建datasets文件夹，用于存放数据（小规模数据集可以这样使用），对于大规模数据集也可以将该文件夹放于其他任何地方，进入datasets文件夹后（如下），其中fruits是我自己标注的数据集。

进入fruits文件夹后（如下），其中images用于存放train、val、test的图片，而labels文件夹用于存放train、val、test图片中相应的txt标注信息。

进入images文件后（如下），此处我只划分了train，val。train和val文件夹存放图片数据，labels文件夹里面也创建相同名称的子文件夹，用于存放相应图片的txt信息。

（5）创建一个data.yaml文件：在数据集的根目录中，创建一个描述数据集的data.yaml文件（如上述myfruits.yaml），这个yaml文件包括类别信息等必要内容，比如我的就是根据coco128.yaml文件进行简单修改。

在官方文档中还有以下三步，但我觉得做一些小项目可能用不到。

（6）优化图像（可选）：如果您想为了更高效的处理而减小数据集的大小，可以使用以下代码来优化图像。这不是必需的，但推荐用于减小数据集大小和加快下载速度。

（7）压缩数据集：将整个数据集文件夹压缩成一个 zip 文件。

（8）文档和 PR：创建描述您的数据集和它如何融入现有框架的文档页面。之后，提交一个 Pull Request (PR)。

优化和压缩数据集的实例代码（来源于官方文档）

from pathlib import Path
from ultralytics.data.utils import compress_one_image
from ultralytics.utils.downloads import zip_directory

# 定义数据集目录
path = Path('path/to/dataset')

# 优化数据集中的图像（可选）
for f in path.rglob('*.jpg'):
    compress_one_image(f)

# 将数据集压缩成 'path/to/dataset.zip'
zip_directory(path)

4.训练自己的模型

完成数据集的制作后，还要创建两个yaml文件，一个就是关于数据集的yaml文件，一个是关于模型的yaml文件。

上述的myfruits.yaml文件如下，可以根据coco128.yaml进行更改而来。

关于模型的yaml文件如下，可以根据相应任务的yaml文件进行更改，如我的是一个简单分类任务，根据yolov8.yaml文件修改而来（把里面的分类类别数改成了我实际任务的类别数，其他的不变）。

制作完这两个yaml文件后，需要下载相应的预训练权重（如预测任务的yolov8n.pt，分类任务的yolov8n-cls.pt等等），然后我们就可以训练自己的任务了，具体训练代码可以参考官方文档实例，也可根据最前面1.2python使用方法进行简单修改，下面是我的训练时代码，注意两个yaml文件和权重文件在训练前要指定其相应的位置。

from ultralytics import YOLO

model = YOLO("ultralytics/cfg/models/v8/fruits_model.yaml")
model = YOLO("yolov8n.pt")

results = model.train(data="datasets/fruits/myfruits.yaml", epochs=50, workers=0, device=0)

results = model.val()

参考：

[1] 主页 - Ultralytics YOLOv8 文档