YOLOv8 目标检测设置教程

YOLOv8（You Only Look Once）是一个开源的对象检测预训练模型，引入了多项架构和功能改进，使对象检测工作流程现代化。它摒弃了基于 YAML 的配置文件，采用 Python 原生方法，使其更容易在主流中集成、定制和部署。

虽然 YOLOv5 仍然被广泛使用，但 YOLOv8 提供了几个实用的优势，使其成为一个值得升级的产品，特别是对于寻求更高性能或更流畅部署工作流程的用户。主要改进包括：

这些更新共同将 YOLOv8 定位为实时视觉应用程序的更具可扩展性和生产友好性的工具。由于 YOLOv5 的普遍性，许多边缘应用程序在部署中仍然使用它，而且两者都易于使用。然而，YOLOv8 因其准确性和速度而成为更好的选择。

下面是一个简短的安装演练。在这里，我们使用了容器环境（Docker）。您还可以在您选择的笔记本上安装，并且可以跳过此第一步。

pip install ultralyticsfrom ultralytics import YOLO# Load a pretrained YOLOv8n modelmodel = YOLO('yolov8n.pt')

• YOLOv8 的常见功能

以下演练显示了使用 YOLOv8 的常见任务：

• 对图像进行推理

• 在自定义数据集上进行训练

• 验证模型性能

• 导出以进行部署

1.对图像进行推理

使用预训练模型检测示例图像中的对象：

pip install ultralyticsfrom ultralytics import YOLO# Load a pretrained YOLOv8n modelmodel = YOLO('yolov8n.pt')

2.在自定义数据集上训练

假设你已经组织好数据集并定义了 data.yaml 文件：

yolo task=detect mode=train model=yolov8n.pt data=data.yaml epochs=100 imgsz=64

• task=detect: 对象检测任务

• model=yolov8n.pt: 使用预训练的 Nano 模型作为起点

• data=data.yaml: 指向您的数据集和类定义

• imgsz=640: 图像输入大小（可调整）

• epochs=100: 训练周期数

一个样本 data.yaml:

train: /path/to/train/imagesval: /path/to/val/imagesnc: 3names: ['car', 'bus', 'truck']

YOLOv8 会自动使用您的 GPU（通过 CUDA）（如果可用）。

3.验证训练模型

要评估模型在验证集上的准确性，请执行以下操作：

yolo task=detect mode=val model=runs/detect/train/weights/best.pt data=data.yaml

这输出精确度、召回率、，mAP@0.5，以及 mAP@0.5：模型性能的 0.95 个关键指标。

4.导出模型以进行部署

培训完成后，将模型导出为适合您的部署环境的格式：

yolo export model=runs/detect/train/weights/best.pt format=onnx#You can change the export format for ONNX, TensorRT, IOS, PyTorch and more

可用的导出格式：

• onnx: 用于 onnx 运行时或 TensorRT

• engine: 用于直接执行 TensorRT

• coreml: 用于 iOS 部署

• torchscript: 用于基于 PyTorch 的推理应用程序