零基础实战：使用YOLOv8构建自定义目标检测模型（从数据集准备到模型部署）

1次阅读

没有评论

共计 2009 个字符，预计需要花费 6 分钟才能阅读完成。

YOLOv8 是 Ultralytics 公司推出的最新目标检测模型，相比前代有三大优势：

速度和精度的完美平衡：在 COCO 数据集上，YOLOv8n 模型仅用 1.8ms 就能完成推理，同时保持 35.4 的 mAP
开箱即用的易用性：通过 pip 安装即可使用，训练接口仅需 3 行核心代码
灵活的模型尺寸 ：提供从 nano(n) 到 x -large(x)五种预训练模型，适应不同算力场景

COCO：包含 80 类常见物体，适合通用场景
VOC：20 类物体，标注文件为 XML 格式
Open Images：900 万张图像，适合大规模训练

使用 LabelImg 工具标注的完整流程：

安装工具：pip install labelImg
启动标注界面：labelImg [图片文件夹] [预定义类别文件]
快捷键说明：
W：创建边界框
Ctrl+S：保存 PASCAL VOC 格式标注

YOLOv8 内置的增强方法：

Mosaic 增强：四图拼接
随机 HSV 调整
旋转缩放（-10°~10°）

建议自定义augment.yaml:

# 数据增强配置示例
hsv_h: 0.015  # 色调调整幅度
hsv_s: 0.7    # 饱和度调整系数
hsv_v: 0.4    # 明度调整系数
flipud: 0.5   # 垂直翻转概率

Python 3.8+（推荐 3.9）
CUDA 11.3+（GPU 训练必需）
PyTorch 1.8+

创建 conda 环境：

conda create -n yolov8 python=3.9
conda activate yolov8

安装 PyTorch：

pip install torch torchvision --extra-index-url https://download.pytorch.org/whl/cu113

安装 Ultralytics：
```
pip install ultralytics
```

yolov8n：4.3MB，树莓派可运行
yolov8s：14.5MB，平衡型首选
yolov8m：41.2MB，高精度需求

from ultralytics import YOLO

# 加载预训练模型
model = YOLO('yolov8s.pt')  # 选择 s 型号

# 训练配置
results = model.train(
    data='custom_dataset.yaml',
    epochs=100,
    batch=16,  # 根据显存调整
    imgsz=640,
    lr0=0.01,  # 初始学习率
    optimizer='Adam',
    device=0  # 0 表示 GPU0
)

关键参数说明：

patience: 早停轮数（默认 50）
cos_lr: 使用余弦退火学习率
label_smoothing: 缓解过拟合（0-1）

mAP@0.5：IoU 阈值为 0.5 时的平均精度
FPS：每秒处理帧数（需指定测试硬件）
参数量：模型大小指标

# 加载训练好的模型
best_model = YOLO('runs/detect/train/weights/best.pt')

# 测试单张图片
results = best_model('test.jpg', save=True)

# 绘制预测框
results[0].show()

降低batch_size（最小可设 4）
使用 imgsz=320 减小输入尺寸
添加 --workers 0 禁用数据并行

过采样少数类

使用类别权重：

model.train(..., cls_pw=[1.2, 0.8, 1.0])  # 各类别权重

训练集精度持续上升但验证集波动
解决方案：
增加dropout=0.2
早停patience=30
添加 MixUp 增强

model.export(format='onnx', dynamic=True)

from flask import Flask, request
import cv2

app = Flask(__name__)
model = YOLO('yolov8n.onnx')

@app.route('/detect', methods=['POST'])
def detect():
    file = request.files['image']
    img = cv2.imdecode(np.frombuffer(file.read(), np.uint8), 1)
    results = model(img)
    return results[0].tojson()