YOLOv8模型训练（简单上手易学）

YOLOv8 

    YOLOv8 是 ultralytics 公司在 2023 年 1月 10 号开源的 YOLOv5 的下一个重大更新版本，目前支持图像分类、物体检测和实例分割任务。

具体到 YOLOv8 算法，其核心特性和改动可以归结为如下：

1.提供了一个全新的 SOTA 模型，包括 P5 640 和 P6 1280 分辨率 的目标检测网络和基于 YOLACT 的实例分割模型。和 YOLOv5 一样，基于缩放系数也提供了 N/S/M/L/X 尺度的不同大小模型，用于满足不同场景需求
2.骨干网络和 Neck 部分可能参考了 YOLOv7 ELAN 设计思想，将 YOLOv5 的 C3 结构换成了梯度流更丰富的 C2f 结构，并对不同尺度模型调整了不同的通道数，属于对模型结构精心微调，不再是无脑一套参数应用所有模型，大幅提升了模型性能。不过这个 C2f 模块中存在 Split 等操作对特定硬件部署没有之前那么友好了
3.Head 部分相比 YOLOv5 改动较大，换成了目前主流的解耦头结构，将分类和检测头分离，同时也从 Anchor-Based 换成了 Anchor-Free
4.Loss 计算方面采用了 TaskAlignedAssigner 正样本分配策略，并引入了 Distribution Focal Loss
训练的数据增强部分引入了 YOLOX 中的最后 10 epoch 关闭 Mosiac 增强的操作，可以有效 地 提升精度。

 如下图为性能对比。

项目开始

本次项目可以作为的任务是识别别表格内容

首先去GitHub网站下载源码

通过downlaod zip把安装包下载解压，再进入目录进行环境安装。

可以使用命令安装再进行环境测试。

pip install -r requirements.txt

pip install ultralytics

yolo predict model=yolov8n.pt source='https://ultralytics.com/images/bus.jpg'

 接下来是训练，这里有我们准备好的数据集路径，我们需要把他写入一个yaml文件里面。

最后再使用命令进行训练就好了

yolo train data=coco128.yaml model=yolov8n.pt epochs=10 lr0=0.01

接下来给大家看看我训练的结果