0基础实战：从数据集准备到模型部署的YOLOv8目标检测全流程指南

1次阅读

没有评论

共计 2733 个字符，预计需要花费 7 分钟才能阅读完成。

目标检测是计算机视觉领域的核心任务之一，而 YOLOv8 作为 Ultralytics 公司推出的最新版本，在精度和速度之间取得了很好的平衡。相比前代 YOLO 系列，YOLOv8 具有以下优势：

更高的检测精度（mAP 提升明显）
更快的推理速度（优化了网络结构）
更简单的 API 接口（几行代码即可训练）
支持多种部署方式（ONNX、TensorRT 等）

本文将从数据集准备开始，带你一步步完成 YOLOv8 的完整训练和部署流程。

推荐使用 LabelImg 进行标注，这是最常用的标注工具之一：

安装 LabelImg：pip install labelImg
启动工具：labelImg
使用快捷键 w 创建标注框
保存为 YOLO 格式（每个图片生成对应的.txt 文件）

标注文件格式示例：

<class_id> <x_center> <y_center> <width> <height>

建议按照 7:2:1 的比例划分训练集、验证集和测试集：

import os
import random
from shutil import copyfile

# 创建目录结构
os.makedirs('images/train', exist_ok=True)
os.makedirs('images/val', exist_ok=True)
os.makedirs('images/test', exist_ok=True)
os.makedirs('labels/train', exist_ok=True)
os.makedirs('labels/val', exist_ok=True)
os.makedirs('labels/test', exist_ok=True)

# 随机划分
all_files = os.listdir('images')
random.shuffle(all_files)

train_files = all_files[:int(0.7*len(all_files))]
val_files = all_files[int(0.7*len(all_files)):int(0.9*len(all_files))]
test_files = all_files[int(0.9*len(all_files)):]

# 移动文件到对应目录
for f in train_files:
    copyfile(f'images/{f}', f'images/train/{f}')
    copyfile(f'labels/{f.replace(".jpg",".txt")}', f'labels/train/{f.replace(".jpg",".txt")}')

# 验证集和测试集同理

YOLOv8 内置了多种数据增强策略，我们可以在配置文件中启用：

Mosaic：4 张图片拼接增强
RandomPerspective：随机透视变换
HSV 颜色空间调整
随机旋转缩放

建议初学者保持默认配置，待熟悉后再调整。

pip install ultralytics

创建 data.yaml 文件：

train: ./images/train
val: ./images/val

# 类别数量和名称
nc: 3  # 你的类别数
names: ['cat', 'dog', 'person']  # 你的类别名称

from ultralytics import YOLO

# 加载预训练模型
model = YOLO('yolov8n.pt')  # 可以选择 yolov8s/m/l/ x 等不同大小

# 训练模型
results = model.train(
    data='data.yaml',
    epochs=100,
    imgsz=640,
    batch=16,
    optimizer='Adam',
    lr0=0.001,
    device='0'  # 使用 GPU
)

关键参数说明：
– epochs: 训练轮数，一般 100-300
– imgsz: 输入图片大小，越大精度越高但速度越慢
– batch: 批大小，根据显存调整
– device: 指定 GPU (‘0’)或 CPU (‘cpu’)

训练完成后会自动在验证集上评估，主要关注以下指标：

mAP50-95: 在不同 IoU 阈值下的平均精度
Precision-Recall 曲线
混淆矩阵

可以查看 runs/detect/train 目录下的结果文件。

model.export(format='onnx', dynamic=True)  # 动态轴导出

动态轴设置允许推理时输入不同尺寸的图片。导出的 ONNX 模型可以用于多种推理引擎。

import cv2
import numpy as np

# 加载模型
net = cv2.dnn.readNet('yolov8n.onnx')

# 预处理
img = cv2.imread('test.jpg')
blob = cv2.dnn.blobFromImage(img, 1/255.0, (640, 640), swapRB=True)

# 推理
net.setInput(blob)
outputs = net.forward(net.getUnconnectedOutLayersNames())

# 后处理 (需要根据 YOLOv8 输出格式调整)
boxes, confidences, class_ids = [], [], []
# ... 解析输出结果 ...

# 绘制检测框
for box in boxes:
    x, y, w, h = box
    cv2.rectangle(img, (x, y), (x+w, y+h), (0,255,0), 2)

cv2.imshow('Result', img)
cv2.waitKey(0)

对于生产环境，建议使用 TensorRT 进行加速：