这一部分内容主要介绍如何使用YOLOv8训练自己的数据集，并进行验证、预测及导出，采用代码和指令的两种方式，参考自官方文档：Detect - Ultralytics YOLOv8 Docs。实践篇不需要关注原理，只需要把流程跑通就行，所有的疑惑会在原理篇进行解释。

1.数据准备

1.1划分训练集和验证集

        数据准备就是把标注好的数据，按照一定的比例划分成训练集和验证集，并且将训练集和验证集按照YOLO的格式来存放，方便训练的时候读取数据，如下图所示，train训练集中包含有images和labels两个文件夹，val验证集中包含有images和labels两个文件夹。

        下面是随机划分训练集和验证集的脚本代码，只需要填充好image_dir、label_dir（标注好的图片和标签路径），train_image_dir、train_label_dir、val_image_dir、val_label_dir（生成训练集、验证集的图片和标签路径），还可以自己调整train_val_split的值来调整训练集和验证集的划分比例。 

"""
随机划分训练集和验证集
"""
import os
import random
from shutil import copyfile# 输入路径
image_dir = r'G:\yolov8\data\images'       # 替换成你的图像文件夹路径
label_dir = r'G:\yolov8\data\label'       # 替换成你的标签文件夹路径# 输出路径
train_image_dir = r'G:\yolov8\ultralytics-main\ultralytics-main\my_data\detection\train\images'
train_label_dir = r'G:\yolov8\ultralytics-main\ultralytics-main\my_data\detection\train\labels'
val_image_dir = r'G:\yolov8\ultralytics-main\ultralytics-main\my_data\detection\val\images'
val_label_dir = r'G:\yolov8\ultralytics-main\ultralytics-main\my_data\detection\val\labels'# 创建输出文件夹
os.makedirs(train_image_dir, exist_ok=True)
os.makedirs(train_label_dir, exist_ok=True)
os.makedirs(val_image_dir, exist_ok=True)
os.makedirs(val_label_dir, exist_ok=True)# 划分数据集的比例
train_val_split = 0.8# 获取图像文件列表
image_files = os.listdir(image_dir)
random.shuffle(image_files)# 计算划分的索引
split_index = int(len(image_files) * train_val_split)# 划分训练集和验证集
train_image_files = image_files[:split_index]
val_image_files = image_files[split_index:]# 复制图像文件并相应地复制标签文件
def copy_images_and_labels(image_files, source_image_dir, source_label_dir, dest_image_dir, dest_label_dir):
for image_file in image_files:
# 复制图像文件
source_image_path = os.path.join(source_image_dir, image_file)
dest_image_path = os.path.join(dest_image_dir, image_file)
copyfile(source_image_path, dest_image_path)# 复制对应的标签文件
label_file = os.path.splitext(image_file)[0] + '.txt'
source_label_path = os.path.join(source_label_dir, label_file)
dest_label_path = os.path.join(dest_label_dir, label_file)
copyfile(source_label_path, dest_label_path)# 复制训练集图像和标签
copy_images_and_labels(train_image_files, image_dir, label_dir, train_image_dir, train_label_dir)# 复制验证集图像和标签
copy_images_and_labels(val_image_files, image_dir, label_dir, val_image_dir, val_label_dir)

1.2 配置data.yaml文件        

        然后再配置下数据的yaml文件就行，这个文件应该填充在ultralytics-main\ultralytics\cfg\datasets路径下，新建一个yaml文件，命名为my_detect.yaml，填充以下信息，意思就是在加载这个yaml文件的时候，能根据里面的内容找到数据的。Path即由上面代码生成的YOLO格式的路径，name为类别的下标及名称。

# 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: G:\yolov8\ultralytics-main\ultralytics-main\my_data\detection # dataset root dir
train: train # train images (relative to 'path') 128 images
val: val# val images (relative to 'path') 128 images
test: # test images (optional)# Classes
names:0: person1: surfboard

2.YOLOv8训练

2.1代码训练

        终于要开始训练了，加载数据有数据的yaml文件，加载模型当然也会有模型的yaml，其路径在ultralytics-main\ultralytics\cfg\models\v8\yolov8.yaml，而yolov8.yaml文件只需要修改类别数即nc的值就行，如下所示：

        接下来就可以开始训练了，YOLOv8推出了两种训练的方法，一种是使用脚本，一种是使用命令的方法：使用脚本进行训练的话比较容易Debug，下面是脚本的训练代码，需要注意四个点：第一是预训练权重要放在项目路径下，即\ultralytics-main下面，不然在训练的时候会自动下载预训练权重的，有点麻烦；第二就是在设置模型规模（n,s,m,l,x）的时候，直接通过Model_yaml参数来设置：model_yaml=r"G:\yolov8\ultralytics-main\ultralytics\cfg\models\v8\yolov8n.yaml",虽然该路径下没有yolov8n.yaml文件，但是V8可以识别出来选择的模型类型;第三就是要在if __name__==’’__main__’’:下执行；第四就是调小workers，不然可能会报错。

from ultralytics import YOLOif __name__=="__main__":# Load a modelmodel_yaml=r"G:\yolov8\ultralytics-main\ultralytics-main\ultralytics\cfg\models\v8\yolov8n.yaml"data_yaml=r"G:\yolov8\ultralytics-main\ultralytics-main\ultralytics\cfg\datasets\my_detect.yaml"pre_model=r"G:\yolov8\ultralytics-main\ultralytics-main\yolov8n.pt"model = YOLO(model_yaml,task='detect').load(pre_model)  # build from YAML and transfer weights# Train the modelresults = model.train(data=data_yaml, epochs=15, imgsz=640,batch=4,workers=2)

        下面已经开始训练了。

        此外，还有其他参数可以在\ultralytics-main\ultralytics\cfg\default.yaml进行设置，里面有很多参数可以进行调整，可以参考官方文档进行调整，Configuration - Ultralytics YOLOv8 Docs. 

2.2指令训练 

        直接在控制面板输入指令就行，填写的超参数和代码训练的一样就行。

yolo detect train 
data=G:\yolov8\ultralytics-main\ultralytics-main\ultralytics\cfg\datasets\my_detect.yaml  
model=G:\yolov8\ultralytics-main\ultralytics-main\ultralytics\cfg\models\v8\yolov8n.yaml  pretrained=G:\yolov8\ultralytics-main\ultralytics-main\yolov8n.pt 
epochs=15 
imgsz=640 
batch=4 
workers=2

2.3训练评价指标

        在runs/train下可以看到训练过程的评估指标变化，如result.png中展示了YOLOv8在训练和验证的过程中三个损失的变化，以及precision、recall、mAP50这些值的变化，由这些数据可以看到模型是逐渐收敛的。

         训练好的模型也会放在对应的weight文件夹下，会保存有最新的权重以及最好的权重。

3.YOLOv8验证

3.1代码验证

        验证其实是加载验证集，然后使用best.pt进行推理得到的各项指标数据，如下所示。

from ultralytics import YOLOif __name__=="__main__":# Load a modelpth_path=r"G:\yolov8\ultralytics-main\ultralytics-main\runs\detect\train17\weights\best.pt"model = YOLO('yolov8n.pt')  # load an official modelmodel = YOLO(pth_path)  # load a custom model# Validate the modelmetrics = model.val()  # no arguments needed, dataset and settings rememberedmetrics.box.map    # map50-95metrics.box.map50  # map50metrics.box.map75  # map75metrics.box.maps   # a list contains map50-95 of each category

        下图是输出的结果，可以看到这里加载的是train训练集（其实是因为我在配置data.yaml中填错了，这里我就不重新跑结果了），大家知道是加载验证集（在配置data.yaml中val: val中的路径文件）就行了。

3.2指令验证 

        这一块没啥好说的，直接贴指令了。

yolo detect val 
model=G:\yolov8\ultralytics-main\ultralytics-main\runs\detect\train17\weights\best.pt
data=G:\yolov8\ultralytics-main\ultralytics-main\ultralytics\cfg\datasets\my_detect.yaml

4.YOLOv8预测

4.1代码预测

        对图片进行预测并保存结果，可以先准备一张图片，或者把图片放进一个文件夹中，然后使用以下代码进行预测，可以看到预测结果保存的地址，注意这里预测的时候并不是640*640尺度进行预测，后面在预测原理章节会详细介绍：

from ultralytics import YOLOif __name__=="__main__":pth_path=r"G:\yolov8\ultralytics-main\ultralytics-main\runs\detect\train17\weights\best.pt"test_path=r"G:\yolov8\ultralytics-main\ultralytics-main\detect_test"# Load a modelmodel = YOLO('yolov8n.pt')  # load an official modelmodel = YOLO(pth_path)  # load a custom model# Predict with the modelresults = model(test_path,save=True，conf=0.5)  # predict on an image

        由预测结果可知，其实模型训练的效果还不是很好，模型还有很大的优化空间的。

 4.2指令预测

        指令如下：

yolo detect predict 
model=G:\yolov8\ultralytics-main\ultralytics-main\runs\detect\train17\weights\best.pt  source=G:\yolov8\ultralytics-main\ultralytics-main\detect_test 
save=True 
conf=0.5

5.YOLOv8导出

5.1代码导出

        注意导出onnx模型时候需要设置opset=11，不然导出模型可能会报错，或者会出现警告。此外，最好设置动态导出onnx，这样模型的输入就不会仅限制在640*640，而可以是任意batch_size还有任意尺寸的图片了，并且可以同时预测batch_size张图片。

from ultralytics import YOLOif __name__=="__main__":pth_path=r"G:\yolov8\ultralytics-main\ultralytics-main\runs\detect\train17\weights\best.pt"# Load a modelmodel = YOLO('yolov8n.pt')  # load an official modelmodel = YOLO(pth_path)  # load a custom trained model# Export the modelmodel.export(format='onnx',opset=11,dynamic=True)

         使用netron可视化onnx模型如下所示。可以和静态导出相比较，动态导出更加具有灵活性，输入的图片尺寸(height,width)或者输入图片的个数（batch）将不受限制。

 5.2指令导出

        指令如下：

yolo export 
model=G:\yolov8\ultralytics-main\ultralytics-main\runs\detect\train17\weights\best.pt  
format=onnx 
opset=11 
dynamic=True