快速使用YOLOv8进行训练，以及进行预测，包括视频预测

YOLO发展到YOLOv8，已经非常方便了，不管是训练，还是预测，还是图像的预测，不论是性能还是精确度，都有了很大的提升。

话不多说，直接开始yolov8的训练，

一、

1、首先需要配置yaml文件，这个yaml文件是你要训练的数据集的参数，类似django的setting，说白了，就是一个配置文件，这里是部分配置文件的代码

# 数据集配置
path: ../datasets/coco  # 数据集的路径
train: images/train  # 训练集的图像路径
val: images/val  # 验证集的图像路径

# 类别配置
nc: 80  # 类别数量
names:  # 类别名称
  0: person
  1: bicycle
  2: car
  3: motorcycle
  4: airplane
  5: bus
  6: train
  7: truck
  8: boat
  9: traffic light
  10: fire hydrant
  # ...其余类别

# 模型配置
model: yolov8n.yaml  # 使用的YOLOv8模型配置文件（可以是yolov8n.yaml, yolov8s.yaml, yolov8m.yaml, yolov8l.yaml, yolov8x.yaml）

# 训练配置
epochs: 300  # 训练轮数
batch: 16  # 每批次的样本数量
imgsz: 640  # 输入图像的大小
device: 0  # 使用的设备，0表示使用第一个GPU，-1表示使用CPU
workers: 8  # 数据加载的并行工作数

# 优化器配置
optimizer: Adam  # 使用的优化器（可以是Adam, SGD等）
lr0: 0.01  # 初始学习率
lrf: 0.01  # 最终学习率
momentum: 0.937  # 优化器的动量参数
weight_decay: 0.0005  # 权重衰减

# 数据增强配置
augment: True  # 是否使用数据增强
hsv_h: 0.015  # HSV色调变化范围
hsv_s: 0.7  # HSV饱和度变化范围
hsv_v: 0.4  # HSV明度变化范围
degrees: 0.0  # 旋转角度变化范围
translate: 0.1  # 平移变化范围
scale: 0.5  # 缩放变化范围
shear: 0.0  # 剪切变化范围
perspective: 0.0  # 透视变化范围
flipud: 0.0  # 上下翻转概率
fliplr: 0.5  # 左右翻转概率
mosaic: 1.0  # 拼接增强概率
mixup: 0.0  # 混合增强概率

# 可视化配置
save_period: -1  # 保存权重的周期，-1表示每轮保存一次
cache: False  # 是否缓存数据
project: runs/train  # 训练结果的保存路径
name: exp  # 实验名称
exist_ok: False  # 是否允许存在同名文件夹

2、如果快速开始，只需要配置这几个即可，其他默认就可以了

# 数据集配置
path: ../datasets/coco  # 数据集的路径
train: images/train  # 训练集的图像路径
val: images/val  # 验证集的图像路径
test: images/test  # 测试集的图像路径

# 类别配置
names:
  0: prohibitory
  1: danger
  2: mandatory
  3: other

3、这里配置好之后，自己的数据集文件夹的格式需要满足这种

E:/path/
  └── images/
      ├── train/
      │   ├── img1.jpg
      │   └── img2.jpg
      ├── valid/
      │   ├── img1.jpg
      │   └── img2.jpg
      └── test/
          ├── img1.jpg
          └── img2.jpg

4、这里没有配置label的路径，如果label的路径在image同级，而且目录结构和上面这个图一样，就不用配置，如果不一样需要再yaml里面配置一下。

label需要是txt格式，满足这种格式

class_id center_x center_y width height
# 即下面这种
2 0.6977941176470588 0.6675 0.0838235294117647 0.145

具体格式说明如下：

1. class_id：类别的整数ID，从0开始。例如，如果你有3个类别（猫、狗、人），它们的ID可能是0, 1, 2。
2. center_x：目标边界框的中心点x坐标，归一化到[0, 1]之间。即，图像宽度为1。
3. center_y：目标边界框的中心点y坐标，归一化到[0, 1]之间。即，图像高度为1。
4. width：目标边界框的宽度，归一化到[0, 1]之间。
5. height：目标边界框的高度，归一化到[0, 1]之间。

二、

1、所有准备工作准备好指挥，就可以开始训练了，需要pip安装好torch和torchvision，以及ultralytics，注意，这里的data_config.yaml就是上面第一步配置好的yaml文件，其他默认，根据任务不同选择不同的model，即pt文件

if __name__ == '__main__':
    from ultralytics import YOLO
    # model = YOLO("yolov8s.yaml")
    model = YOLO("yolov8s.pt") 
    model.train(data="data_config.yaml", epochs=30) 

2、训练完毕之后，YOLOv8默认会将训练的各种图像，pr，rc这些图保存到runs文件夹中，默认保存最好的模型和最后一次训练的模型到runs文件夹中，加载最好的模型进行预测，这里先进行视频的预测

from ultralytics import YOLO

if __name__ == '__main__':
    # 加载训练好的模型
    model = YOLO('runs/detect/train8/weights/best.pt')

    # 设置视频路径
    video_path = r'E:\Work\\data\traffic-sign-to-test.mp4'


    # 开始检测并保存结果
    results = model.predict(source=video_path, save=True, show=True)

3、图像的预测（注意替换路径），这里视频和图像都会在预测之后的结果保存到图像的同级目录下面

from ultralytics import YOLO

if __name__ == '__main__':
    # 加载训练好的模型
    model = YOLO('runs/detect/train8/weights/best.pt')

    # 设置图像路径
    image_path = r'E:\Work\data\traffic-sign-to-test.jpg'



    # 开始检测并保存结果
    results = model.predict(source=image_path, save=True, show=True)