YOLOv8是Ultralytics公司开发的YOLO目标检测和图像分割模型的最新版本 
  
  
  
  
  
  
  ，相较于之前的版本
  
  
  
  
  
  
  
 ，YOLOv8可以更快速有效地识别和定位图像中的物体
 


 


 


 


 


 


 


，以及更准确地分类它们 
  
  
  
  
  
  
  。

作为一种深度学习技术 
 
 
 
 
 
 
 ，YOLOv8需要大量的训练数据来实现最佳性能
  
  
  
  
  
  
  
 。为了让YOLOv8能够有效地识别自己的应用中的物体
   
   
   
   
   
   
   
 ，开发者需要准备大量的训练数据
 

 

 

 

 

 

 

，而构建自定义数据集是一个非常耗时的过程 

 

 

 

 

 

 

 ，往往收集图像               、标记图像并以正确的格式导出它们可能就需要数十甚至数百个小时
 


 


 


 


 


 


 


。为了解决这一问题               ，YOLOv8在官方教程中

 
 

 
 

 
 

 
 

 
 

 
 

 
 

，为我们推荐了一款强大的开源工具——Roboflow 
 
 
 
 
 
 
 。

Roboflow介绍

Roboflow是一款专为YOLOv8设计的自动化训练数据工具













，它为YOLOv8提供了一种更便捷 
  
 
  
 
  
 
  
 
  
 
  
 
  
 
、更快速的方式来准备训练数据
   
   
   
   
   
   
   
 。它能够自动从开发者提供的原始图像数据中提取所需的信息                       ，并将其转换为YOLOv8可以直接使用的格式
 

 

 

 

 

 

 

。Roboflow还提供了一种独特的标记方式
 
 
 
 
 
 
 
 
 
 
 
 
 
 
，让开发者更轻松地为图像中的物体设定标签





















，以便YOLOv8能够更有效地识别它们 

 

 

 

 

 

 

 。本文将为大家介绍如何使用Roboflow来训练YOLOv8自定义数据集               。

创建自己的数据集

首先               ，我们把想要训练的图片整理到一个文件夹中
  
 
  
 
  
 
  
 
  
 
  
 
  
 
 ，并设置图片尺寸与格式统一

 
 

 
 

 
 

 
 

 
 

 
 

 
 

。

接着














，使用Roboflow创建数据集













。前往Roboflow官网点击右上角注册账号 
  
  
  
  
  
  
  ，然后通过Roboflow将自定义数据集进行标注并直接导出到 YOLOv8以进行训练                       。具体操作步骤如下：

导入目标文件夹后
  
  
  
  
  
  
  
 ，双击任何一张图片即可进入标注
 


 


 


 


 


 


 


，这里我们以第一张图片为例 
 
 
 
 
 
 
 ，操作步骤如图所示：

图片标注完成
   
   
   
   
   
   
   
 ，返回后点击右上方进行保存
 
 
 
 
 
 
 
 
 
 
 
 
 
 
。选择“Split Images Between Train/Vaild/Test               ”
 

 

 

 

 

 

 

，根据系统推荐自动划分训练集














、验证集和测试集 

 

 

 

 

 

 

 ，最后导出文件压缩包至电脑





















。

训练数据集

将得到的数据集压缩包解压到仓库的主路径中               ，为了方便后续调用CLI命令更便捷

 
 

 
 

 
 

 
 

 
 

 
 

 
 

，这里我们将数据集重命名为“flyerdata 
  
 
  
 
  
 
  
 
  
 
  
 
  
 
”               。

再把数据集复制到下图所示路径中（YOLOv8在训练数据集时













，会默认从这个路径内找数据）
  
 
  
 
  
 
  
 
  
 
  
 
  
 
 。

在“pycharm














”打开自创数据集中的“data.yaml 
  
  
  
  
  
  
  ”                       ，修改文件中的路径














。

修改保存后
 
 
 
 
 
 
 
 
 
 
 
 
 
 
，在yolov8环境下的终端输入：

yolo task=detect mode=train model=yolov8n.pt data=flyerdata/data.yaml epochs=100 imgsz=640 workers=4 batch=4

同时将“data= 
  
  
  
  
  
  
  
”后缀修改为自己数据集的路径





















，回车开始训练 
  
  
  
  
  
  
  。训练完成之后               ，结果会保存在最后一行指示的路径中
  
  
  
  
  
  
  
 。

预测新数据

训练完成后
  
 
  
 
  
 
  
 
  
 
  
 
  
 
 ，会得到一个属于你自己的训练集模型
 


 


 


 


 


 


 


。

根据你的数据集训练结果模型的位置来修改以下代码














，完成模型验证：

yolo task=detect mode=val model=runs/detect/train5/weights/best.pt data=flyerdata/data.yaml

新数据的预测

用验证后的训练集模型预测新数据 
  
  
  
  
  
  
  ，需要先收集和我们的数据集相关的同类型图片
  
  
  
  
  
  
  
 ，做成新的文件夹
 


 


 


 


 


 


 


，图片大小和格式保持与之前的数据集图片一致 
 
 
 
 
 
 
 ，这里我们将新的图片文件夹命名为“images

 


 


 


 


 


 


 

”
   
   
   
   
   
   
   
 ，并放进仓库主路径中 
 
 
 
 
 
 
 。

接下来根据数据集训练结果模型的位置来修改以下代码
 

 

 

 

 

 

 

，“source 
 
 
 
 
 
 
 ”是指新图片文件夹的位置 

 

 

 

 

 

 

 ，由于我们已经将文件夹放在了仓库主路径中               ，故可直接修改为 
   
   
   
   
   
   
   
”source=images
 

 

 

 

 

 

 
”

 
 

 
 

 
 

 
 

 
 

 
 

 
 

，然后开始预测
   
   
   
   
   
   
   
 。

yolo detect mode=predict model=runs/detect/train5/weights/best.pt source=images

如需用训练后得到的数据集模型来训练视频













，则把想训练的视频放在仓库主路径上                       ，然后用以下代码（将“source=
 

 

 

 

 

 

 

 ”后缀改成视频的路径）调用即可：

yolo detect mode=predict model=runs/detect/train5/weights/best.pt source=video/1.mp4

预测完成后
 
 
 
 
 
 
 
 
 
 
 
 
 
 
，预测结果也同样自动保存在最后一行指定路径中
 

 

 

 

 

 

 

。

总结

总而言之





















，Roboflow是一种非常有用的工具               ，它提供了一种简单的方式来调整训练数据
  
 
  
 
  
 
  
 
  
 
  
 
  
 
 ，使其能够更好地适应YOLOv8的要求














，帮助我们更轻松地准备YOLO v8所需的训练数据 

 

 

 

 

 

 

 。还可以自动转换和标记图像 
  
  
  
  
  
  
  ，以及针对不同的训练数据集设置特定的训练参数
  
  
  
  
  
  
  
 ，确保YOLOv8能够更有效地识别物体
 


 


 


 


 


 


 


，从而使YOLOv8能够更有效地学习               。

相关资源链接

[1] Roboflow官网：https://roboflow.com/?ref=ultralytics

[2] YOLOv8 项目地址：https://github.com/ultralytics/ultralytics

[3] YOLOv8 官方教程：https://blog.roboflow.com/how-to-train-yolov8-on-a-custom-dataset/#preparing-a-custom-dataset-for-yolov8

- END -

 阿木实验室 
 
 
 
 
 
 
 ，为机器人研发提供开源软硬件工具和课程服务
   
   
   
   
   
   
   
 ，让研发更高效！