yolov8的使用

yolov8使用指定模型预测

打开Anaconda Prompt，进入虚拟系统yolov8,使用如下命令安装代码：

pip install ultralytics

使用如下命令使用摄像头预测：

yolo predict model=yolov8n source=0 show=true

model=yolov8n 代表使用yolov8n模型，yolov8n为官方训练的较小的一个模型；
source=0 代表使用摄像头作为视频源，0可以切换为视频路径；
show=true 代表将识别结果实时显示出来。
识别完成后会将结果自动保存在’users/你的用户名/runs’文件夹下。

yolov8模型训练

yolov8数据集结构

这里只介绍yolov8能使用的一中数据集结构，有些其他数据集也能使用。
数据集目录结构如下：

yolov8_dataset/
│
├── train/
│   ├── images/
│   │   ├── img1.jpg
│   │   ├── img2.jpg
│   │   └── ...
│   │
│   └── labels/
│       ├── img1.txt
│       ├── img2.txt
│       └── ...
│
├── valid/
│   ├── images/
│   │   ├── img_a.jpg
│   │   ├── img_b.jpg
│   │   └── ...
│   │
│   └── labels/
│       ├── img_a.txt
│       ├── img_b.txt
│       └── ...
│
├── test/
│   ├── images/
│   │   ├── img_x.jpg
│   │   ├── img_y.jpg
│   │   └── ...
│   │
│   └── labels/
│       ├── img_x.txt
│       ├── img_y.txt
│       └── ...
│
└── dataset.yaml          # 包含数据集配置信息的YAML文件

train 用于训练的照片和数据；
valid 用于训练过程中检测模型的数据集，用以在训练过程中评估模型的能力，可以没有此数据集，这样的话就无法实时显示模型的评估数据；
test 用于训练结束后整体评估模型的能力，可以没有此数据集，这样的话最终无法生成整体评估数据；
dateset.yaml 用于记录数据集中train、valid、test等数据集的位置以及模型训练信息。

dateset.yaml内容如下：

# 这里的path需要指向你项目中数据集的目录
path: C:/Users/15875/Desktop/YOLOv8/birdsflying
# 这里分别指向你训练、验证、测试的文件地址，只需要指向图片的文件夹即可。但是要注意图片和labels名称要对应
train: train  # train images (relative to 'path') 128 images
val: valid # val images (relative to 'path') 128 images
test: valid # test images (optional)
 
# Classes
names:
  0: bird

模型训练

使用如下命令指定数据集进行训练：

yolo train data='dataset.yaml'model=yolov8n.pt epochs=500 lr0=0.01

data=’’ 填写dataset.yaml所在路径；
model=yolov8n.pt 代表使用官方模型作为预训练模型（一般不自己从零开始训练模型，这是一件很难的事情）；
epochs=500 代表训练500轮，模型训练是一次一次迭代提升的过程，一般100到200轮就不会再有明显提升；
lr0=0.01 代表每次训练向最优值步进的跨度是0.01，这个参数可以暂时不了解。
训练完成的模型会保存在’users/你的用户名/train’文件夹下。
训练过程一般时间很长，具体时间视GPU强弱而定。

如果想使用刚刚训练完成的模型可以使用预测命令，将model指向模型的路径：

yolo predict model=yolov8n source=0 show=true