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

这期是一个大纲总结供大家参考学习，让大家做到心中有数。一些细节会专门再出一期详细说明，比如数据处理所用的代码等等。

一、确认需求

1.1明确检测目标

明确你要检测什么，如：车、人、玩手机、背包、工具箱等等。

注：建议大家也有个规范的文档，比如你的需求是什么、数据来源等等，有助于你梳理清晰思路，做项目也是这样。

1.2思路梳理

这里举个检测车的例子：

1.2.1检测目标种类

轿车、卡车、三轮车、货车、自行车、摩托车等等。

1.2.2标注界定规则

标注数据时需要界定一些规则，比如：车出现大于50%标、卡车只标车头、自行车不标、三轮车标等等。

1.2.3明确应用场景

做完之后你要应用到哪些场景？比如：检测自己拍摄的数据（角度1）、某工厂大门（角度2）、某超市小门（角度3）；

最理想的是你要检测的场景，都能收集到部分数据；但大部分都是不理想的情况，那你需要收集更多的数据来保证准确。

二、准备数据

收集数据是笔者认为比较困难的：

素材网的素材是收费的、公开免费的数据集是比较难合预期的、爬虫爬到的有效数据是比较少的。

理想的状态是：客户需求检测工厂门口车辆，最好拿到一批这个门口录像的部分数据作为自己训练的数据。

2.1数据收集

2.1.1素材网下载

在素材网寻找合适的视频或图片（一般都收费，发挥你聪明的小脑瓜），下载到本地，如：

新片场素材https://stock.xinpianchang.com/

2.1.2数据集网站

公开免费数据集网站，搜索需要的数据集直接下载。如：飞浆https://aistudio.baidu.com/overview

2.1.3爬虫

跑脚本搜寻相关图片下载到本地

注意：确保目标网站允许爬取，避免违反其使用条款。

2.2数据处理

收集到的数据可能是图片也可能是视频，笔者一般都会收集视频再进行处理。

2.2.1视频抽帧

将视频数据，抽帧成图片数据。

2.2.2图片梳理

按需剔除模糊、无目标的图片，保留高质量图片。

注：建议不同来源的数据都要进行不同方式命名方便区分，最好英文命名图片，正样本和负样本笔者都会进行不同命名区分，方便查看，或者训练效果不佳，增删一些数据，总之自己的数据要规整！数据要规整！要规整！

数据处理一些脚本的积累还是比较重要的，后期我专门出一篇分享给大家我常用的脚本。

三、图片标注

3.1为什么要标注图片？

告诉模型目标对象的位置和类别，帮助模型学习如何在图片中检测和分类目标对象

3.2用什么标注？

笔者常用的是labelimg，界面图如下：

四、数据集划分

4.1标注后文件结构

需要跑脚本将标注好的数据进行划分，正常标注后数据格式如下：

dataset/
├── images/
└── labels/

4.2YOLO训练数据结构

yolo训练数据有固定的结构要求。

dataset/
├── train/
│   ├── images/
│   └── labels/
└── val/
    ├── images/
    └── labels/

将标注好的数据集划分为训练集（80%）、验证集（20%）。

4.3训练集、验证集、测试集

4.3.1训练集作用

用于训练模型，让模型学习数据的特征和规律。

4.3.2验证集作用

用于调整超参数和监控模型性能，避免过拟合。

4.3.3测试集作用

用于最终评估模型的泛化能力和实际性能。

五、数据上传

将数据上传到服务器指定位置，这里说明一下yolo训练用自己电脑是非常非常慢的，一般都是租用服务器，再服务器上训练。

如：AutoDL官网网址https://www.autodl.com/home

六、yolo训练

笔者常用命令行命令训练，读者也可以选择将命令参数写成脚本运行

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

具体参数介绍会专门出一期讲解。

七、写服务

7.1为什么要写服务？

将训练好的模型部署为一个接口，使其能够接收图片或视频输入，实时检测目标并返回检测结果，方便在实际应用中集成和使用。

简单来说：就是怎么用你的训练结果best.pt。

举个例子：写逻辑时，要求先判断是不是白天，如果是白天那么检测，如果是黑天则不检测；或者是当人和车同时出现再检测等等。

八、压力测试

8.1为什么要进行压力测试

评估其在高并发和大负载下的性能表现，确保系统能够在实际使用场景中稳定运行，并找到潜在的瓶颈或优化点。

ab -n 1000 -c 5 -r -p /data/null_test_playphone.json -T 'application/json' '<http://127.0.0.1:5000/predict>'

简单来说：测一测好多人访问调用，这个地址会不会崩掉，速度怎么样。

九、模型导出

将训练好的模型导出为适合服务部署的格式，如ONNX、TensorFlow；