YOLOv8代码官方开源地址：GitHub - ultralytics/ultralytics: NEW - YOLOv8 🚀 in PyTorch > ONNX > OpenVINO > CoreML > TFLite 

1.环境准备（Anconada+pycharm）

先准备好主机需要的环境：

Anconada创建环境：

• 点击开始搜索Anconada promot 进入命令行界面
• 创建环境：conda create -name 环境名 python=3.8
• 查看环境：conda env list
• 激活环境：conda activate 环境名，这里显示已经激活成功。
• 导入依赖： cd到项目文件夹，输入(这里推荐使用清华源）
• pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple
• 进入pycharm打开环境并激活环境，点击添加解释器
• 
• 选择conda环境并应用，这里conda可执行文件可以找你的conda环境安装位置的_conda.exe并加载，然后选择你刚刚创建的那个环境，我这里选的是torch-dl。

至此环境搭建完成

2.数据集准备

网上大多公开数据集标签是xml格式的，这里附上xml标签转换为txt格式的代码。

import os
import glob
import xml.etree.ElementTree as ET
#  这里指定xml文件目录
xml_file=r'E:\桌面\资料\cv4\数据集\voc数据集\Annotations'
# 这里修改成自己的类别名称
l=['apple', 'banana', 'mixed','orange']

def convert(box,dw,dh):
    x=(box[0]+box[2])/2.0
    y=(box[1]+box[3])/2.0
    w=box[2]-box[0]
    h=box[3]-box[1]

    x=x/dw
    y=y/dh
    w=w/dw
    h=h/dh

    return x,y,w,h

def f(name_id):
    xml_o=open(r'E:\桌面\资料\cv4\数据集\voc数据集\Annotations\%s.xml'%name_id)
    txt_o=open(r'E:\桌面\资料\cv4\数据集\voc数据集\labels1\%s.txt'%name_id,'w')
    #  这里指定xml文件目录和txt文件目录
    pares=ET.parse(xml_o)
    root=pares.getroot()
    objects=root.findall('object')
    size=root.find('size')
    dw=int(size.find('width').text)
    dh=int(size.find('height').text)

    for obj in objects :
        c=l.index(obj.find('name').text)
        bnd=obj.find('bndbox')

        b=(float(bnd.find('xmin').text),float(bnd.find('ymin').text),
           float(bnd.find('xmax').text),float(bnd.find('ymax').text))

        x,y,w,h=convert(b,dw,dh)

        write_t="{} {:.5f} {:.5f} {:.5f} {:.5f}\n".format(c,x,y,w,h)
        txt_o.write(write_t)

    xml_o.close()
    txt_o.close()

name=glob.glob(os.path.join(xml_file,"*.xml"))
for i in name :
    name_id=os.path.basename(i)[:-4]
    f(name_id)

注意修改的就是中文注释处。xml文件存储位置，生成txt文件存储位置，还有你的数据集类别名称，要修改成自己的类别。

3.模型训练

3.1数据集划分

import os
import random
from shutil import move

def split_dataset(src_images, dest_train_images, dest_val_images, src_labels, dest_train_labels, dest_val_labels, split_ratio=0.2):
    # 获取所有图片和标签文件
    all_images = os.listdir(src_images)
    all_labels = os.listdir(src_labels)

    # 计算要移动到验证集的数量
    num_val_samples = int(len(all_images) * split_ratio)

    # 随机选择要移动到验证集的样本
    val_samples = random.sample(all_images, num_val_samples)

    # 移动图片
    for image in val_samples:
        src_image_path = os.path.join(src_images, image)
        dest_image_path = os.path.join(dest_val_images, image)
        move(src_image_path, dest_image_path)

    # 移动标签文件
    for image in val_samples:
        label_file = image.split('.')[0] + '.txt'
        src_label_path = os.path.join(src_labels, label_file)
        dest_label_path = os.path.join(dest_val_labels, label_file)
        move(src_label_path, dest_label_path)

    print(f"{num_val_samples} samples moved to validation set.")

# 定义路径
src_images_path = r'D:\project-HL\v8-fruit\datasets\fruit\images\train'
dest_train_images_path = r'D:\project-HL\v8-fruit\datasets\fruit\images\train'
dest_val_images_path = r'D:\project-HL\v8-fruit\datasets\fruit\images\val'

src_labels_path = r'D:\project-HL\v8-fruit\datasets\fruit\labels\train'
dest_train_labels_path = r'D:\project-HL\v8-fruit\datasets\fruit\labels\train'
dest_val_labels_path = r'D:\project-HL\v8-fruit\datasets\fruit\labels\val'

# 调用函数进行数据集划分
split_dataset(src_images_path, dest_train_images_path, dest_val_images_path, src_labels_path, dest_train_labels_path, dest_val_labels_path, split_ratio=0.2)

 得到数据集后在你yolo项目中创建一个datasets文件夹，文件结构如下：

images存放图片，lables存放txt格式的标签，未划分前将所有图片和标签都保存在train文件夹中，然后运行代码划分数据，我这里是8：2，想调整直接看代码最后一个小数。

至此数据集划分完成。

3.2 训练

3.2.1准备一个yaml文件，在此文件夹中复制一个出来放在项目根目录。

自己根据自己的数据集标签，配置一个yaml文件

3.2.2 开始训练

在根目录创建一个训练脚本代码如下

from ultralytics import YOLO
import os
os.environ['KMP_DUPLICATE_LIB_OK'] = 'True'
# Load a model 这里选择预训练模型或者网络结构 有不同模型可以选择 我这使用yolov8n.pt
model = YOLO("yolov8n.pt")  # load a pretrained model (recommended for training)
# Use the model0 data指定你的yaml文件，然后设置超参数
model.train(data="fruit.yaml", epochs=50,batch=8)  # train the model

RUN就开始训练了，最后一行可以设置不同的超参数，更多的超参数可以在default.yaml中设置

这里包括训练预测的一些超参数。

训练完成后得到结果：

得到这个权重用来进行预测：best.pt指最好的权重，last是最后一次的权重

4.推理

在根目录创建一个推理脚本代码如下

from ultralytics import YOLO
# # 推理结果保存在runs/detect/predict-检测
# 选择模型 这里要选择自己训练得到的权重进行推理
model = YOLO("runs/detect/train/weights/best.pt")  # load a pretrained model (recommended for training)
# # 选择数据来源 source
# results = model(source='datasets/picture-ceshi',save=True)  # predict-检测 on an image
# 实时显示 source:数据源  show:是否实时显示   save：是否保存预测结果
results = model(source='datasets/picture-ceshi/4.jpg',show=True,save=True)  # predict-检测 on an image

 

结果如上图

5.模型导出

如果想要部署模型，新建一个脚本。

from ultralytics import YOLO


model = YOLO("yolov8n.pt")  # load a pretrained model (recommended for training)

# Use the model
path = model.export(format="onnx")  # export the model to ONNX format

format可以选择不同的导出格式。

就到这里了，希望大家顺利。