YOLOv8&ultralytics简单配置&训练

Python虚拟环境创建

安装Python（这里安装不涉及Anaconda及pyCharm），Python版本选择需要较新但是不要太新，最好是3.8或以上且小于3.12，小版本号发布日期最好在2023年下半年以后

Python安装后需要创建虚拟环境（包不要都往base里塞，善用虚拟环境），在创建虚拟环境的目录下打开终端（命令提示符），或者cd至相应目录下亦可，将会在该目录创建一个文件夹，执行（这里的演示位置为桌面）

python -m venv yolo

这里将会在桌面创建一个名为yolo的文件夹（虚拟环境目录）

创建完成后需要激活虚拟环境，cd到对应目录或者其他任意方式能够执行下面的脚本（虚拟环境根目录下的Scripts/activate文件）

如若上图报错系统禁止运行脚本，在任意地方以管理员打开终端（命令提示符）执行以下即可
set-executionpolicy remotesigned

此时再回原来的地方运行激活激活环境脚本，激活成功后会如下图，前面会有绿色(yolo)字样，表明当前在名为yolo的虚拟环境下（如果没有显示，则当前在base环境下）

Pytorch安装

下一步安装pytorch，进入官网，下拉选择需要的pytorch版本，这里选择如下，根据不用选择会生成不同的安装链接（根据显卡支持的cuda选择不同的CUDA，根据不同安装方式选择系统及包，这里生成了pip3 install torch...一大串指令）

另：这里只要显卡驱动够新就可以，pytorch自带cuda与cudnn，只要驱动版本支持即可，这里暂时不需要额外安装CUDA与cudnn

回到原来的虚拟环境，将复制的代码在下面执行（如果显示连接错误或者下载错误就停掉多执行几次，实在不久就下载whl离线包手动安装，这里手动安装whl之后还需要再润一次上面的指令，确保torchvision、torchaudio正确安装）

yolo整合包安装

pytorch安装成功如上图，后面安装yolo系执行

pip install ultralytics，如果下载速度不够可以添加参数使用清华源下载

pip install ultralytics -i https://pypi.python.org/simple

如果都正确安装，到这环境就已经可以使用。

验证方式如下，True即可

这里仅涉及环境安装，后续训练可在终端（命令提示行）中进行，亦可搭配VSCode、pyCharm食用。

简单训练

训练就更简单了，如果是终端，那么cd到虚拟环境目录直接运行编写的py文件即可。如果是VSCode，那么使用VSCode打开虚拟环境文件夹，会自动识别虚拟环境以及python解释器（右下角会显示创建的虚拟环境名称，如果没有识别，点击运行python文件，会弹出选择解释器的对话框，只要选择创建的虚拟环境目录下的python.exe就可以），之后只需要建立一个train.py文件，名称随意，内容大致如下（特殊任务特殊调整，参数灵活可变）

from ultralytics import YOLO

model = YOLO("yolov8n.pt")

if __name__ == '__main__':
    model.train(
        data = 'YOUR_PATH/config.yaml',
        epochs = 200,
        patience = 50,
        batch = 8,
        imgsz = 640
        # 其他参数视训练任务自行修改，可以参照官方文档
        # 对于device这个参数，如果有两张以上显卡，Windows系统貌似不支持，需要在Linux才可以同时使用多卡训练
    )

注意其中还需要额外配置一个config文件指向数据集，内容大致为，datasets目录结构(datasets下有images和labels两个目录，这两个目录下分别有三个目录)：
datasets
——images
————train
————val
————test
——labels
————train
————val
————test

其中和labels文件夹名字是不可随意的，放置与图像数据集同名的txt标签文件（要一一对应，可以通过脚本转为txt标签和划分），val或test为验证集，训练集:验证集比例在8:2左右都可

# path指向数据集的根目录
path: YOUR_PATH/datasets/
# 指向训练、验证、测试地址，只需要指向图片的文件夹
train: images/train
val: images/val
test: images/val

names: 
  0: class0
  1: class1
  2: class2

最后编写好的train.py，run起来就可以啦
PS：原来有使用coco数据集来做测试的，这里就不再写了
完结.