手把手教你训练自己的yolov8模型（代码+教程）

使用 Ultralytics YOLOv8 进行目标检测

目标检测简介

目标检测是计算机视觉中的一个基本任务，它涉及在数字图像或视频流中识别对象的存在和位置。目标检测器的主要输出是一组包围框，这些包围框将图像中的对象围起来，并为每个包围框提供类别标签和置信度得分。当您需要在一个场景中识别感兴趣的特定对象，但不一定需要知道对象的确切形状或位置时，目标检测算法成为一种非常有用的工具。

目标检测技术广泛应用于自动驾驶、安全监控、机器人技术和增强现实等众多领域。它可以快速定位和分类复杂环境中的对象，适用于多种应用场景。

Ultralytics YOLOv8

YOLOv8 是由 Ultralytics 开发的一个先进且灵活的目标检测框架。它是基于之前的 YOLO（You Only Look Once）版本构建的，在速度、准确性和灵活性方面都有显著改进。

YOLOv8 预训练模型

YOLOv8 提供了几种预训练模型，可以直接使用。这些模型是在 Common Objects in Context (COCO) 数据集上进行训练的，这是一个大规模的目标检测、分割和标注数据集。提供的模型包括：

• YOLOv8n：小型模型，在速度与准确性之间取得平衡。
• YOLOv8s：稍大一些的模型，具有更高的准确性。
• YOLOv8m：中型模型，进一步提高准确性。
• YOLOv8l：大型模型，准确性更高，但计算成本增加。
• YOLOv8x：超大型模型，在所有模型中具有最高的准确性。

这些模型在大小、平均精度均值 (mAP) 分数以及计算需求方面有所不同，允许用户根据准确性和速度之间的权衡来选择最适合其需求的模型。

模型性能指标

这些模型的性能通过 mAP 分数来量化，该分数衡量所有类别的目标检测的平均精度。此外，这些模型还在不同的硬件配置上进行了速度基准测试，包括 CPU 和 GPU 环境。例如，YOLOv8n 模型在 COCO val2017 数据集上的 mAP 得分为 37.3，使用 CPU 平均推理时间为 80.4 毫秒，在 NVIDIA A100 GPU 上使用 TensorRT 优化后的平均时间为 0.99 毫秒。

训练与验证

训练 YOLOv8 模型的过程涉及准备 YOLO 格式的数据集、加载模型以及执行训练过程。例如，您可以使用以下代码片段来训练 YOLOv8n 模型：

from ultralytics import YOLO

# 加载预训练模型
model = YOLO("yolov8n.pt")

# 在您的自定义数据集上训练模型
results = model.train(data="my_custom_dataset.yaml", epochs=100, imgsz=640)

训练完成后，可以验证模型的准确性。例如，您可以使用以下代码来验证模型：

from ultralytics import YOLO

# 加载模型
model = YOLO("path/to/best.pt")

# 验证模型
metrics = model.val()
print(metrics.box.map)  # mAP50-95

预测与导出

使用训练好的 YOLOv8n 模型对图像进行预测是一个简单的过程。例如，您可以使用以下代码来对图像进行预测：

from ultralytics import YOLO

# 加载模型
model = YOLO("yolov8n.pt")  # 加载官方模型
model = YOLO("path/to/best.pt")  # 加载自定义模型

# 使用模型进行预测
results = model("https://ultralytics.com/images/bus.jpg")  # 对图像进行预测

YOLOv8 模型还可以导出到不同的格式，以确保在各种平台和设备上的兼容性。例如，您可以将模型导出为 ONNX 格式：

from ultralytics import YOLO

# 加载模型
model = YOLO("yolov8n.pt")

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

YOLOv8 支持的导出格式包括 ONNX、TensorRT、CoreML 等，具体格式如下：

• PyTorch：yolov8n.pt，默认格式。
• TorchScript：yolov8n.torchscript，支持 imgsz, optimize, batch 参数。
• ONNX：yolov8n.onnx，支持 imgsz, half, dynamic, simplify, opset, batch 参数。
• OpenVINO：yolov8n_openvino_model/，支持 imgsz, half, int8, batch 参数。
• TensorRT：yolov8n.engine，支持 imgsz, half, dynamic, simplify, workspace, int8, batch 参数。
• CoreML：yolov8n.mlpackage，支持 imgsz, half, int8, nms, batch 参数。
• TF SavedModel：yolov8n_saved_model/，支持 imgsz, keras, int8, batch 参数。
• TF GraphDef：yolov8n.pb，不支持元数据。
• TF Lite：yolov8n.tflite，支持 imgsz, half, int8, batch 参数。
• TF Edge TPU：yolov8n_edgetpu.tflite，支持 imgsz 参数。
• TF.js：yolov8n_web_model/，支持 imgsz, half, int8, batch 参数。
• PaddlePaddle：yolov8n_paddle_model/，支持 imgsz, batch 参数。
• NCNN：yolov8n_ncnn_model/，支持 imgsz, half, batch 参数。

这些格式使得 YOLOv8 模型可以在多种环境中部署和使用。

常见问题解答

• 如何在我的自定义数据集上训练 YOLOv8 模型？

  在自定义数据集上训练 YOLOv8 模型涉及几个步骤：

  • 准备数据集：确保您的数据集符合 YOLO 格式。对于指导，请参考我们的数据集指南。
  • 加载模型：使用 Ultralytics YOLO 库加载预训练模型或从 YAML 文件创建新模型。
  • 训练模型：在 Python 中执行 train 方法或在 CLI 中执行 yolo detect train 命令。

  例如：

  from ultralytics import YOLO
  
  # 加载预训练模型
  model = YOLO("yolov8n.pt")
  
  # 在您的自定义数据集上训练模型
  model.train(data="my_custom_dataset.yaml", epochs=100, imgsz=640)
  

  有关详细的配置选项，请访问配置页面。

• YOLOv8 中有哪些预训练模型可用？

  Ultralytics YOLOv8 提供了用于目标检测、分割和姿态估计的各种预训练模型。这些模型是在 COCO 数据集或 ImageNet 上进行预训练的。以下是一些可用的模型：

  • YOLOv8n
  • YOLOv8s
  • YOLOv8m
  • YOLOv8l
  • YOLOv8x

  更多详细信息和性能指标，请参阅模型部分。

• 如何验证我训练的 YOLOv8 模型的准确性？

  要验证训练的 YOLOv8 模型的准确性，您可以使用 .val() 方法在 Python 中或使用 yolo detect val 命令在 CLI 中。这将提供如 mAP50-95、mAP50 等指标。

  例如：

  from ultralytics import YOLO
  
  # 加载模型
  model = YOLO("path/to/best.pt")
  
  # 验证模型
  metrics = model.val()
  print(metrics.box.map)  # mAP50-95
  

  更多验证细节，请访问验证页面。

• 为什么应该使用 Ultralytics YOLOv8 进行目标检测？

  Ultralytics YOLOv8 旨在为对象检测、分割和姿态估计提供最先进的性能。以下是一些关键优势：

  • 预训练模型：利用在 COCO 和 ImageNet 等流行数据集上预训练的模型，加快开发过程。
  • 高准确度：实现令人印象深刻的 mAP 分数，确保可靠的目标检测。
  • 速度：针对实时推理进行了优化，使其非常适合需要快速处理的应用程序。
  • 灵活性：可以将模型导出为 ONNX 和 TensorRT 等多种格式，以便在多个平台上部署。

  更多使用案例和成功故事，请访问我们的博客。

写在最后

代码定制、代码分享、合作交流