YOLOv8目标检测(一)_检测流程梳理：YOLOv8目标检测(一)_检测流程梳理_yolo检测流程-CSDN博客

YOLOv8目标检测(二)_准备数据集：YOLOv8目标检测(二)_准备数据集_yolov8 数据集准备-CSDN博客

YOLOv8目标检测(三)_训练模型：YOLOv8目标检测(三)_训练模型_yolo data.yaml-CSDN博客

YOLOv8目标检测(三*)_最佳超参数训练：YOLOv8目标检测(三*)_最佳超参数训练_yolo 为什么要选择yolov8m.pt进行训练-CSDN博客

YOLOv8目标检测(四)_图片推理：YOLOv8目标检测(四)_图片推理-CSDN博客

YOLOv8目标检测(五)_结果文件(run/detrct/train)详解：YOLOv8目标检测(五)_结果文件(run/detrct/train)详解_yolov8 yolov8m.pt可以训练什么-CSDN博客

YOLOv8目标检测(六)_封装API接口：YOLOv8目标检测(六)_封装API接口-CSDN博客

YOLOv8目标检测(七)_AB压力测试：YOLOv8目标检测(七)_AB压力测试-CSDN博客

1.准备data.yaml文件

什么是data.yaml文件？

data.yaml文件是一个配置文件，用于定义训练数据集的相关信息和路径。它是 YOLO 系列模型的通用数据格式，指导训练脚本如何加载数据和标签。

# 数据集路径和类别数
#path: /path/to/dataset                  # 数据集的根目录路径，笔者不用
train: /path/to/dataset/train/images     # 训练集的图片路径
val: /path/to/dataset/val/images         # 验证集的图片路径
#test: images/test                       # 测试集的图片路径（可选），笔者不用

# 数据集类别，下面两种写法都可
#names:
#  0: class1
#  1: class2
#  2: class3

names: ['class1','class2','class3']

nc: 3  # 类别数，与 names 的总数一致

2.准备pt文件

下载YOLOV8m.pt，上传到指定位置。

YOLOv8官方网址：YOLOv8 -Ultralytics YOLO 文档

点击蓝色名字即可下载对应Model，这里选择YOLOv8n，如果资源足够可以选择大的模型如YOLOv8m。

什么是pt文件？

pt是PyTorch模型文件的扩展名。YOLOv8模型常使用PyTorch框架进行训练和推理。训练好的模型可保存为.pt文件，便于以后加载和使用。

通俗来说，选择pt就像在一个骨架上训练，更容易得到期望的结果，如果不用，就从0开始随机训练，效果会很差。

3.运行训练命令

yolo task=detect mode=train model=yolov8n.yaml data=./data.yaml pretrained=./yolov8n.pt imgsz=640 save=True epochs=400 patience=50 resume=True device=0

注意：如果本地没下载这个pt，可能部分读者会下载很慢，几乎不能下载。

1）. yolo train

• yolo：调用 YOLOv8 的核心工具。
• train：指定当前模式为训练。YOLOv8 支持多种模式，如：
  • train：训练模型。
  • val：验证模型性能。
  • predict：运行推理任务（检测目标、分割或分类）。
  • export：导出模型到其他格式（如 ONNX、TensorRT）。

---

2）. task=detect

• 指定任务类型为 目标检测。
• YOLOv8 支持以下任务类型：
  • detect：目标检测（bounding box）。
  • segment：实例分割（mask segmentation）。
  • classify：图像分类。

对于目标检测任务，模型会根据提供的标签框文件（如 .txt 格式）进行训练。

---

3）. model=yolov8m.yaml

• 指定模型的配置文件。
• .yaml 文件描述了模型的架构（如层数、宽度和深度等）。如果你想从零开始训练，这个文件是必需的。
• 如果指定的是 .pt 文件，则表示使用预训练权重，同时加载对应的架构。

---

4）. data=./data.yaml

• 指定数据集配置文件的路径。
  • ./data.yaml：表示当前目录下的 data.yaml 文件。
  • data.yaml 文件定义了训练和验证数据集的路径以及类别信息.

---

5）. imgsz=640

• 指定输入图片的尺寸。
  • imgsz=640：将输入图片调整为 640×640 的大小（宽高相等）。
  • 图片越大，模型性能可能提升，但推理速度和内存占用会增加。

---

6）. epochs=400

• epochs 参数：训练的最大迭代次数。
  • 每个 epoch 意味着模型遍历一次整个训练数据集。
  • 设置较大的值（如 400），让模型充分训练。
  • 如果验证集性能稳定不再提升，可以通过提前停止（patience 参数）节省训练时间。

---

7）. patience=50

• patience 参数：控制 提前停止（Early Stopping） 的容忍度。
  • 如果验证集性能（如 mAP）在连续 50 个 epoch 没有提升，训练会自动停止。
  • 优点：
    • 节省时间：避免在模型性能无提升时继续浪费资源。
    • 防止过拟合：过多的训练可能导致模型在验证集上的性能下降。

---

8）. resume=True

• resume 参数：指定是否从断点继续训练。
  • True：从上次训练保存的断点继续训练（自动查找 runs/detect/train/ 中的最新权重文件）。
  • False（默认）：从头开始重新训练。
  • 场景：
    • 中断训练后无需重新开始。
    • 微调时需要从之前的状态继续。

---

9）. device=0

• 指定运行的设备。
  • 0：在第 0 张 GPU 上训练（如 NVIDIA GeForce 显卡）。
  • cpu：在 CPU 上训练（仅推荐测试用途，速度较慢）。
  • 多 GPU 支持：例如 device=0,1 表示使用第 0 和第 1 张 GPU。

---

10）. pretrained=/data/path/yolov8m.pt

• 指定预训练权重文件的路径。
• 当提供了 pretrained 参数时，模型会加载这个权重文件作为初始权重，并在你的数据上进行微调。
• 如果没有指定 pretrained，模型会根据 model=yolov8m.yaml 随机初始化。

运行成功结果图如下：