YOLOv8目标检测快速上手！

一、YOLOv8简介

YOLOv8是一款前沿、最先进（SOTA）的模型，基于先前 YOLO 版本的成功，引入了新功能和改进，进一步提升性能和灵活性。YOLOv8 设计快速、准确且易于使用，使其成为各种物体检测与跟踪、实例分割、图像分类和姿态估计任务的绝佳选择。

二、环境安装

conda create -n yolov8 python=3.7
conda activate yolov8
conda install pytorch==1.7.0 torchvision==0.8.0 torchaudio==0.7.0 cudatoolkit=11.0 -c pytorch
pip install ultralytics

三、快速训练与测试

• 指定训练数据：/ultralytics-main/ultralytics/datasets/mydata.yaml

# Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..]
path: /data/  # dataset root dir
train: mytrain.txt  # train images (relative to 'path') 128 images
val: myval.txt  # val images (relative to 'path') 128 images
test:  # test images (optional)

# Classes
names:
  0: xx
  1: xx
  2: xx
  3: xx
  4: xx
  5: xx
  6: xx
  7: xx
  8: xx

• 训练

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8m.yaml")  # build a new model from scratch
model = YOLO("yolov8m.pt")  # load a pretrained model (recommended for training)

# Use the model
model.train(data="mydata.yaml", epochs=80)  # train the model

• 测试

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8m.yaml")
model = YOLO("/mnt/Project/ultralytics-main/runs/detect/train_yolov8m/best.pt")
results = model.predict(source="/test_path/", save=True, save_txt=True, save_conf=True)

四、模型

• YOLOv8 的检测、分割和姿态模型在 COCO 数据集上进行预训练，而分类模型在 ImageNet 数据集上进行预训练。在首次使用时，模型会自动从最新的 Ultralytics 发布版本中下载。

• YOLOv8共提供了5中不同大小的模型选择，方便开发者在性能和精度之前进行平衡。以下以YOLOv8的目标检测模型为例：
  

• YOLOv8的分割模型也提供了5中不同大小的模型选择：
  

• 相关github链接：https://github.com/ultralytics/ultralytics/blob/main/README.zh-CN.md