YOLO（You Only Look Once）是一种流行的实时目标检测算法，以其速度快、精度高而闻名。YOLOv8 是 Ultralytics 公司发布的最新版本，继承了 YOLO 系列的优势，并在性能、灵活性和易用性上进行了进一步优化。无论是初学者还是有经验的开发者，YOLOv8 都提供了强大的工具和功能，帮助你快速实现目标检测任务。
本教程将带你从零开始，逐步掌握 YOLOv8 的使用方法。
请注意！在看本教程前请你确定你的显卡是英伟达显卡！人工学习只能使用英伟达显卡
1.环境准备
从清华的镜像源下载一个Miniconda，https://mirrors.tuna.tsinghua.edu.cn/anaconda/miniconda/
Miniconda是一个更小的Anaconda发行版（Anaconda是一个包含大量预装数据科学和机器学习库的Python发行版），它只包含conda包管理器和Python以及其必要的库。Miniconda的目的是提供一个更轻量级的选项来安装和运行conda环境，同时保持Anaconda的核心功能。
注意！安装的时候请你勾选添加环境变量到系统变量中(Add Miniconda3 to my PATH environment varable)
安装好后按住Win+R输入cmd调出命令窗口输入指令
conda --version有输出就证明安装成功了。
然后再输入一下指令进行换源到清华源，这样可以加快包的下载速度。
conda config --remove-key channels
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/
conda config --set show_channel_urls yes
pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple安装了miniconda其实就不用再安装一个Python了，这样会导致你环境管理非常混乱。（你永远不知道你的pip到底是哪一个的pip，别问我怎么知道的）
这里还总结几个常用的conda指令：
conda activate <环境名>激活一个环境，只有激活环境了，你才能正确安装一个pytyhon包到环境里。
conda create -n <环境名> python=<python版本>创建一个指定py版本的环境
conda env list查看当前系统的所有环境
conda env remove -n <环境名>删除一个环境
conda没有重命名环境的指令，只能复制一个环境到另一个新环境，删除这个旧环境，具体方法网上查找。
到这环境准备已经完成了一半了，接下来是python包的安装。
先创建一个环境：conda create -n yolov8 python=3.8.5选用3.8.5的python环境据说是bug少一些。
然后激活环境：conda activate yolov8
然后根据显卡系列进行安装：
conda install pytorch==1.8.0 torchvision torchaudio cudatoolkit=10.2 # 30系以下
conda install pytorch==1.10.0 torchvision torchaudio cudatoolkit=11.3 # 30系列以上
conda install pytorch==1.8.0 torchvision==0.9.0 torchaudio==0.8.0 cpuonly # CPU核显然后再执行pip install -v -e .安装剩余模块。
如果你在后面的运行中出现找不到模块的报错，可以重装pillow为8.4.0的版本。
pip uninstall pillow
pip install pillow==8.4.0到此为止环境准备已经全部完成了。
2.数据集标注
很无聊的一个工作，并且需要的量非常多。
首先你要确定你要识别什么，比如说一个游戏人物，一个杯子，一个鼠标之类的。
然后你要去找很多张有关它们的照片，最少建议1000+，只有数据集越大，你的模型才能越准确。
然后你要把他们放在一个文件夹中，文件夹的目录是这样的：
你数据集的文件夹/
├── images/
│ ├── train/ # 存放训练集的图像文件
│ ├── val/ # 存放验证集的图像文件
│ └── test/ # 存放测试集的图像文件
└── labels/
├── train/ # 存放训练集的标签文件
├── val/ # 存放验证集的标签文件
└── test/ # 存放测试集的标签文件然后其实如果你实在是没有那么多精力各找1000多张的训练图片，你直接全部一样的也可以的，如果你不嫌弃你的模型识别率会受影响的情况下。
你需要把图片都放在images的子文件夹中，然后激活你的conda环境，安装一个包pip install labelimg,用来进行数据标注。安装好了在环境下直接输入labelimg就可以打开了，注意别关掉cmd。他的界面差不多这样：
然后简单介绍一下吧，左边的工具栏似的，你需要这样操作：
点Open Dir打开你数据集图片的位置。（比如/images/tarin）
点Change Save Dir改变label文件的储存位置。(比如/labels/tarin)
然后一定一定要点那个默认是PascalVOC的那个东西，也就是Save下面的那个东西，给他点成yolo。
然后一定一定要点那个默认是PascalVOC的那个东西，也就是Save下面的那个东西，给他点成yolo。
然后一定一定要点那个默认是PascalVOC的那个东西，也就是Save下面的那个东西，给他点成yolo。
要不然你就玩完了，忙碌了一整天，保存的数据格式不是yolo的，还要去网上找一堆转换教程，都是血的教训。
然后数据标注的时候也是有快捷键的，w是标记一个框，d是下一个照片。然后记得养成勤按Ctrl+S保存的习惯，不然labelimg突然一个报错，数据全部没有保存…
3.正式开始
打开cmd导航到项目路径下，输入git命令下载一下环境git clone https://github.com/ultralytics/ultralytics.git或者你没有git，你可以到Github下载一下压缩包在解压也是可以的。https://github.com/ultralytics/ultralytics
国内的话可能需要加速器才能正常打开Github。
然后用编辑器打开你的项目，（总不能没有编辑器吧？）。我比较喜欢jetbrains的pycharm，反正你们自己把项目环境激活成conda你创建的环境就行了。
然后开始训练之前你要先找到这个目录项目目\ultralytics\cfg\datasets项目目录就直接是github文件解压到当前文件夹的就行了（根目录有ultralytics文件夹），在里面创建一个数据集的配置文件，文件名后缀是yaml，内容差不多是这样的：
path: ... # 数据集的绝对路径
train: # 如果你按照我的方法来 这些都可以不改
- images/train
val:
- images/val
test:
- images/test
names:
0: 'xxx'
# labels文件夹里面可以找到一个classes.txt就是储存了你的数据集的标注名字
# 需要按顺序的给他索引并且命名然后在根目录创建一个py文件，爱叫啥叫啥，文件内容这样写：
import time
from ultralytics import YOLO
model = YOLO('./yolov8n.pt') # 模型
results = model.train(data='my_data.yaml', epochs=100, imgsz=640, device=[0,], workers=0, batch=32, cache=True) # 开始训练
time.sleep(10) # 睡眠10s，服务器多次训练的过程中使用在model = YOLO('./yolov8n.pt')代码里，我设置了训练模型以yolov8n模型为基础，并且这个模型我已经下载到本地了，如果你没有下载，直接写yolov8n.pt就行了。
然后是训练参数，我附上一个AI翻译版的：
"""
参数 (Argument) 默认值 (Default) 描述 (Description)
model None 指定用于训练的模型文件。接受 .pt 预训练模型或 .yaml 配置文件的路径。用于定义模型结构或初始化权重。
data None 数据集配置文件的路径（例如 coco8.yaml）。该文件包含数据集特定的参数，包括训练和验证数据的路径、类别名称和类别数量。
epochs 100 训练的总轮数。每轮代表对整个数据集的一次完整遍历。调整此值会影响训练时长和模型性能。
time None 训练的最大时间（以小时为单位）。如果设置，此参数会覆盖 epochs 参数，允许在指定时间后自动停止训练。适用于时间受限的训练场景。
patience 100 在验证指标没有改善的情况下等待的轮数，之后将提前停止训练。有助于防止过拟合，当性能趋于稳定时停止训练。
batch 16 批量大小，支持三种模式：设置为整数（例如 batch=16），自动模式（使用 60% 的 GPU 内存，batch=-1），或指定 GPU 利用率分数的自动模式（例如 batch=0.70）。
imgsz 640 训练的目标图像大小。所有图像在输入模型之前会被调整为此尺寸。影响模型精度和计算复杂度。
save True 启用训练检查点和最终模型权重的保存。适用于恢复训练或模型部署。
save_period -1 保存模型检查点的频率（以轮数为单位）。值为 -1 时禁用此功能。适用于长时间训练期间保存中间模型。
cache False 启用数据集图像的缓存，支持内存缓存（True/ram）、磁盘缓存（disk）或禁用缓存（False）。通过减少磁盘 I/O 提高训练速度，但会增加内存使用。
device None 指定训练的计算设备：单个 GPU（device=0），多个 GPU（device=0,1），CPU（device=cpu），或 Apple Silicon 的 MPS（device=mps）。
workers 8 数据加载的工作线程数（多 GPU 训练时每个 RANK 的线程数）。影响数据预处理和输入模型的速度，尤其适用于多 GPU 环境。
project None 保存训练输出的项目目录名称。便于组织不同实验的存储。
name None 训练运行的名称。用于在项目文件夹中创建子目录，保存训练日志和输出。
exist_ok False 如果为 True，允许覆盖现有的项目/名称目录。适用于迭代实验，无需手动清除之前的输出。
pretrained True 是否从预训练模型开始训练。可以是布尔值或指向特定模型的路径字符串。有助于提高训练效率和模型性能。
optimizer 'auto' 训练优化器的选择。选项包括 SGD、Adam、AdamW、NAdam、RAdam、RMSProp 等，或 auto 以根据模型配置自动选择。影响收敛速度和稳定性。
verbose False 启用训练期间的详细输出，提供详细的日志和进度更新。适用于调试和密切监控训练过程。
seed 0 设置训练的随机种子，确保在相同配置下运行的结果可复现。
deterministic True 强制使用确定性算法，确保结果可复现，但可能因限制非确定性算法而影响性能和速度。
single_cls False 将多类别数据集中的所有类别视为单一类别进行训练。适用于二分类任务或仅关注目标存在性而非分类的场景。
rect False 启用矩形训练，优化批处理组合以减少填充。可以提高效率和速度，但可能影响模型精度。
cos_lr False 使用余弦学习率调度器，根据余弦曲线调整学习率。有助于更好地管理学习率以实现收敛。
close_mosaic 10 在最后 N 轮禁用马赛克数据增强，以在训练结束前稳定训练。设置为 0 时禁用此功能。
resume False 从上次保存的检查点恢复训练。自动加载模型权重、优化器状态和轮数，无缝继续训练。
amp True 启用自动混合精度（AMP）训练，减少内存使用并可能加速训练，同时对精度影响最小。
fraction 1.0 指定用于训练的数据集比例。允许在完整数据集的子集上进行训练，适用于实验或资源有限的情况。
profile False 启用 ONNX 和 TensorRT 速度分析，适用于优化模型部署。
freeze None 冻结模型的前 N 层或指定索引的层，减少可训练参数数量。适用于微调或迁移学习。
lr0 0.01 初始学习率（例如 SGD=1E-2, Adam=1E-3）。调整此值对优化过程至关重要，影响模型权重更新的速度。
lrf 0.01 最终学习率作为初始学习率的一部分（即 lr0 * lrf），与调度器结合使用以随时间调整学习率。
momentum 0.937 SGD 的动量因子或 Adam 的 beta1，影响当前更新中过去梯度的结合。
weight_decay 0.0005 L2 正则化项，惩罚较大的权重以防止过拟合。
warmup_epochs 3.0 学习率预热的轮数，逐渐将学习率从低值增加到初始学习率，以在训练初期稳定训练。
warmup_momentum 0.8 预热阶段的初始动量，逐渐调整到设定的动量值。
warmup_bias_lr 0.1 预热阶段偏置参数的学习率，帮助在初始轮数中稳定模型训练。
box 7.5 损失函数中边界框损失部分的权重，影响对准确预测边界框坐标的重视程度。
cls 0.5 分类损失在总损失函数中的权重，影响正确分类预测相对于其他部分的重要性。
dfl 1.5 分布焦点损失的权重，用于某些 YOLO 版本中的细粒度分类。
pose 12.0 姿态估计模型中姿态损失的权重，影响对准确预测姿态关键点的重视程度。
kobj 2.0 姿态估计模型中关键点目标性损失的权重，平衡检测置信度与姿态准确性。
label_smoothing 0.0 应用标签平滑，将硬标签软化为目标标签和均匀分布的混合，可以提高泛化能力。
nbs 64 用于损失归一化的标称批量大小。
overlap_mask True 确定分割掩码在训练期间是否应重叠，适用于实例分割任务。
mask_ratio 4 分割掩码的下采样比例，影响训练期间使用的掩码分辨率。
dropout 0.0 分类任务中的 dropout 率，通过随机忽略单元防止过拟合。
val True 在训练期间启用验证，允许在单独的数据集上定期评估模型性能。
plots False 生成并保存训练和验证指标的图表以及预测示例，提供对模型性能和学习进展的直观洞察。
"""直接复制到编辑器里面，可能显示会好一点。
4.训练后续工作
训练完之后有/runs文件夹，里面有每轮训练的具体结果（run1,run2,run3…）。
最重要的是/weights文件夹，里面有last.pt文件和best.pt文件。
如果你要项目使用，复制best.pt走就行了。
如果你想在原来训练的基础上继续训练新的数据集，或者是你训练的时候突然啪一下断电等，你要继续训练，那你models = ...这行代码就填last.pt的模型继续就行。
注意，你要找到pt模型，run后面的数字越大越好（不一定）。
到此就结束了。其他使用模型的方法，网上百度。
暂无评论内容