引言

源码链接：https://github.com/ultralytics/ultralytics

yolov8和yolov5是同一作者                   ，相比yolov5
  
 
  
 
  
 
  
 
  
 
  
 
  
 
  
 
  
 
，yolov8的集成性更好了

















，更加面向用户了

YOLO命令行界面(command line interface, CLI) 方便在各种任务和版本上训练                   、验证或推断模型
  
  
  
  
  
  
  
  
  。CLI不需要定制或代码 
  
  
  
  
  
  
  
  
  ，可以使用yolo命令从终端运行所有任务  
  
  
  
  
  
  
  
  
 。

如果想了解yolo系列的更新迭代
  
  
  
  
  
  
  
  
  
，以及yolov8的模型结构
 


 


 


 


 


 


 


 


 

，推荐下面的链接：

YOLOv8详解 【网络结构+代码+实操】

笔者直接从实操入手

1 环境配置

安装pytorch
  
 
  
 
  
 
  
 
  
 
  
 
  
 
  
 
  
 
、torchvision和其他依赖库

环境配置部分可以参考笔者的博客

【YOLO】YOLOv5-6.0环境搭建（不定时更新）

安装ultralytics

git clone https://github.com/ultralytics/ultralytics cd ultralytics pip install -e .

2 数据集准备

针对检测的数据集准备可以参考笔者的博客 
 
 
 
 
 
 
 
 
 ，这里不再赘述了

【YOLO】训练自己的数据集

3 模型训练

比起YOLOv5
   
   
   
   
   
   
   
   
   
，YOLOv8的训练封装性更好了
 

 

 

 

 

 

 

 

 
，有利有弊吧 

 

 

 

 

 

 

 

 

 ，参数默认值修改比较麻烦

训练指令如下：

yolo task=detect mode=train model=yolov8s.pt data=/media/ll/L/llr/DATASET/subwayDatasets/coco.yaml device=0 cache=True epochs=300 project=/media/ll/L/llr/mode name=yolov8

除了上述笔者使用的参数                  ，其他参数说明

task: detect # 可选择：detect, segment, classify mode: train #可选择： train, val, predict # Train settings ------------------------------------------------------------------------------------------------------- model: # 设置模型
 


 


 


 


 


 


 


 


 


。格式因任务类型而异
 
 
 
 
 
 
 
 
 。支持model_name, model.yaml

 
 

 
 

 
 

 
 

 
 

 
 

 
 

 
 

 
 
，model.pt data: # 设置数据

















，支持多数类型 data.yaml, data_folder, dataset_name epochs: 300 # 需要训练的epoch数 patience: 50 # epochs to wait for no observable improvement for early stopping of training batch: 16 # Dataloader的batch大小 imgsz: 640 # Dataloader中图像数据的大小 save: True # save train checkpoints and predict results save_period: -1 # Save checkpoint every x epochs (disabled if < 1) cache: True # True/ram, disk or False. Use cache for data loading device: # device to run on, i.e. cuda device=0 or device=0,1,2,3 or device=cpu workers: 8 # 每个进程使用的cpu worker数   
   
   
   
   
   
   
   
   
 。使用DDP自动伸缩 project: /media/ll/L/llr/model # project name name: yolov8 # experiment name exist_ok: False # whether to overwrite existing experiment pretrained: False # whether to use a pretrained model optimizer: SGD # 支持的优化器：Adam, SGD                            ， RMSProp verbose: True # whether to print verbose output seed: 0 # random seed for reproducibility deterministic: True # whether to enable deterministic mode single_cls: False # 将多类数据作为单类进行训练 image_weights: False # 使用加权图像选择进行训练 rect: False # 启用矩形训练 cos_lr: False # 使用cosine LR调度器 close_mosaic: 10 # disable mosaic augmentation for final 10 epochs resume: False # resume training from last checkpoint min_memory: False # minimize memory footprint loss function, choices=[False, True, <roll_out_thr>] # Segmentation overlap_mask: True # 分割:在训练中使用掩码重叠 mask_ratio: 4 # 分割:设置掩码下采样 # Classification dropout: 0.0 # 分类:训练时使用dropout # Val/Test settings ---------------------------------------------------------------------------------------------------- val: True # validate/test during training split: val # dataset split to use for validation, i.e. val, test or train save_json: False # save results to JSON file save_hybrid: False # save hybrid version of labels (labels + additional predictions) conf: # object confidence threshold for detection (default 0.25 predict, 0.001 val) iou: 0.7 # intersection over union (IoU) threshold for NMS max_det: 300 # maximum number of detections per image half: False # use half precision (FP16) dnn: False # 使用OpenCV DNN进行ONNX推断 plots: True # 在验证时保存图像 # Prediction settings -------------------------------------------------------------------------------------------------- source: # 输入源
 

 

 

 

 

 

 

 

 

。支持图片

















、文件夹 
  
  
  
  
  
  
  
  
  、视频
  
  
  
  
  
  
  
  
  
、网址 show: False # 查看预测图片 save_txt: False # 保存结果到txt文件中 save_conf: False # save results with confidence scores save_crop: False # save cropped images with results hide_labels: False # hide labels hide_conf: False # hide confidence scores vid_stride: 1 # 输入视频帧率步长 line_thickness: 3 # bounding box thickness (pixels) visualize: False # 可视化模型特征 augment: False # apply image augmentation to prediction sources agnostic_nms: False # class-agnostic NMS classes: # filter results by class, i.e. class=0, or class=[0,2,3] retina_masks: False #分割:高分辨率掩模 boxes: True # Show boxes in segmentation predictions # Export settings ------------------------------------------------------------------------------------------------------ format: torchscript # format to export to keras: False # use Keras optimize: False # TorchScript: optimize for mobile int8: False # CoreML/TF INT8 quantization dynamic: False # ONNX/TF/TensorRT: dynamic axes simplify: False # ONNX: simplify model opset: # ONNX: opset version (optional) workspace: 4 # TensorRT: workspace size (GB) nms: False # CoreML: add NMS # Hyperparameters ------------------------------------------------------------------------------------------------------ lr0: 0.01 # 初始化学习率 lrf: 0.01 # 最终的OneCycleLR学习率 momentum: 0.937 # 作为SGD的momentum和Adam的beta1 weight_decay: 0.0005 # 优化器权重衰减 warmup_epochs: 3.0 # Warmup的epoch数
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
，支持分数) warmup_momentum: 0.8 # warmup的初始动量 warmup_bias_lr: 0.1 # Warmup的初始偏差lr box: 7.5 # box loss gain cls: 0.5 # cls loss gain (scale with pixels) dfl: 1.5 # dfl loss gain fl_gamma: 0.0 # focal loss gamma (efficientDet default gamma=1.5) label_smoothing: 0.0 # label smoothing (fraction) nbs: 64 # nominal batch size hsv_h: 0.015 # image HSV-Hue augmentation (fraction) hsv_s: 0.7 # image HSV-Saturation augmentation (fraction) hsv_v: 0.4 # image HSV-Value augmentation (fraction) degrees: 0.0 # image rotation (+/- deg) translate: 0.1 # image translation (+/- fraction) scale: 0.5 # image scale (+/- gain) shear: 0.0 # image shear (+/- deg) perspective: 0.0 # image perspective (+/- fraction), range 0-0.001 flipud: 0.0 # image flip up-down (probability) fliplr: 0.5 # image flip left-right (probability) mosaic: 1.0 # image mosaic (probability) mixup: 0.0 # image mixup (probability) copy_paste: 0.0 # segment copy-paste (probability) # Custom config.yaml --------------------------------------------------------------------------------------------------- cfg: # for overriding defaults.yaml # Debug, do not modify ------------------------------------------------------------------------------------------------- v5loader: False # use legacy YOLOv5 dataloader

4 模型预测

weight_path = "best.pt" # 自训练的模型 imgdir = r/media/ll/L/llr/DATASET/subwayDatasets/bjdt/images img_path = r/media/ll/L/llr/DATASET/subwayDatasets/bjdt/images/L_0000018.jpg model = YOLO(weight_path) results = model(img_path,show=False,save=False) # 是否显示和保存结果数据

预测一张图片


























，results如下图所示：

预测文件夹目录                   ，results如图所示：

无论是一张图片还是图片目录
  
 
  
 
  
 
  
 
  
 
  
 
  
 
  
 
  
 
，返回的results都是list

要对预测结果进行处理需要索引进去

















，如下图所示

结果参数说明： boxes：各种形式的检测框信息（xyxy
 


 


 


 


 


 


 


 


 

、xywh 
 
 
 
 
 
 
 
 
 、归一化的）
   
   
   
   
   
   
   
   
   
、类别索引
 

 

 

 

 

 

 

 

 
、置信度等 names：类别字典 orig_img：原图数组 orig_shape：原图尺寸 plots：在验证时保存图像（预测时一般为None） speed：处理速度

基于上述模型提供的检测结果进行后处理算法等

上述即为yolov8的快速使用