关键词：
YOLOv8实操：环境配置/自定义数据集准备/模型训练/预测
引言
源码链接：https://github.com/ultralytics/ultralytics
yolov8和yolov5是同一作者，相比yolov5，yolov8的集成性更好了，更加面向用户了
YOLO命令行界面(command line interface, CLI) 方便在各种任务和版本上训练、验证或推断模型。CLI不需要定制或代码，可以使用yolo命令从终端运行所有任务。
如果想了解yolo系列的更新迭代，以及yolov8的模型结构，推荐下面的链接：
YOLOv8详解 【网络结构+代码+实操】
笔者直接从实操入手
1 环境配置
安装pytorch、torchvision和其他依赖库
环境配置部分可以参考笔者的博客
【YOLO】YOLOv5-6.0环境搭建（不定时更新）
安装ultralytics
git clone https://github.com/ultralytics/ultralytics
cd ultralytics
pip install -e .
2 数据集准备
针对检测的数据集准备可以参考笔者的博客，这里不再赘述了
【YOLO】训练自己的数据集
3 模型训练
比起YOLOv5，YOLOv8的训练封装性更好了，有利有弊吧，参数默认值修改比较麻烦
训练指令如下：
yolo task=detect mode=train model=yolov8s.pt data=/media/ll/L/llr/DATASET/subwayDatasets/coco.yaml device=0 cache=True epochs=300 project=/media/ll/L/llr/mode name=yolov8
除了上述笔者使用的参数，其他参数说明
task: detect # 可选择：detect, segment, classify
mode: train #可选择： train, val, predict
# Train settings -------------------------------------------------------------------------------------------------------
model: # 设置模型。格式因任务类型而异。支持model_name, model.yaml，model.pt
data: # 设置数据，支持多数类型 data.yaml, data_folder, dataset_name
epochs: 300 # 需要训练的epoch数
patience: 50 # epochs to wait for no observable improvement for early stopping of training
batch: 16 # Dataloader的batch大小
imgsz: 640 # Dataloader中图像数据的大小
save: True # save train checkpoints and predict results
save_period: -1 # Save checkpoint every x epochs (disabled if < 1)
cache: True # True/ram, disk or False. Use cache for data loading
device: # device to run on, i.e. cuda device=0 or device=0,1,2,3 or device=cpu
workers: 8 # 每个进程使用的cpu worker数。使用DDP自动伸缩
project: /media/ll/L/llr/model # project name
name: yolov8 # experiment name
exist_ok: False # whether to overwrite existing experiment
pretrained: False # whether to use a pretrained model
optimizer: SGD # 支持的优化器：Adam, SGD， RMSProp
verbose: True # whether to print verbose output
seed: 0 # random seed for reproducibility
deterministic: True # whether to enable deterministic mode
single_cls: False # 将多类数据作为单类进行训练
image_weights: False # 使用加权图像选择进行训练
rect: False # 启用矩形训练
cos_lr: False # 使用cosine LR调度器
close_mosaic: 10 # disable mosaic augmentation for final 10 epochs
resume: False # resume training from last checkpoint
min_memory: False # minimize memory footprint loss function, choices=[False, True, <roll_out_thr>]
# Segmentation
overlap_mask: True # 分割:在训练中使用掩码重叠
mask_ratio: 4 # 分割:设置掩码下采样
# Classification
dropout: 0.0 # 分类:训练时使用dropout
# Val/Test settings ----------------------------------------------------------------------------------------------------
val: True # validate/test during training
split: val # dataset split to use for validation, i.e. 'val', 'test' or 'train'
save_json: False # save results to JSON file
save_hybrid: False # save hybrid version of labels (labels + additional predictions)
conf: # object confidence threshold for detection (default 0.25 predict, 0.001 val)
iou: 0.7 # intersection over union (IoU) threshold for NMS
max_det: 300 # maximum number of detections per image
half: False # use half precision (FP16)
dnn: False # 使用OpenCV DNN进行ONNX推断
plots: True # 在验证时保存图像
# Prediction settings --------------------------------------------------------------------------------------------------
source: # 输入源。支持图片、文件夹、视频、网址
show: False # 查看预测图片
save_txt: False # 保存结果到txt文件中
save_conf: False # save results with confidence scores
save_crop: False # save cropped images with results
hide_labels: False # hide labels
hide_conf: False # hide confidence scores
vid_stride: 1 # 输入视频帧率步长
line_thickness: 3 # bounding box thickness (pixels)
visualize: False # 可视化模型特征
augment: False # apply image augmentation to prediction sources
agnostic_nms: False # class-agnostic NMS
classes: # filter results by class, i.e. class=0, or class=[0,2,3]
retina_masks: False #分割:高分辨率掩模
boxes: True # Show boxes in segmentation predictions
# Export settings ------------------------------------------------------------------------------------------------------
format: torchscript # format to export to
keras: False # use Keras
optimize: False # TorchScript: optimize for mobile
int8: False # CoreML/TF INT8 quantization
dynamic: False # ONNX/TF/TensorRT: dynamic axes
simplify: False # ONNX: simplify model
opset: # ONNX: opset version (optional)
workspace: 4 # TensorRT: workspace size (GB)
nms: False # CoreML: add NMS
# Hyperparameters ------------------------------------------------------------------------------------------------------
lr0: 0.01 # 初始化学习率
lrf: 0.01 # 最终的OneCycleLR学习率
momentum: 0.937 # 作为SGD的momentum和Adam的beta1
weight_decay: 0.0005 # 优化器权重衰减
warmup_epochs: 3.0 # Warmup的epoch数，支持分数)
warmup_momentum: 0.8 # warmup的初始动量
warmup_bias_lr: 0.1 # Warmup的初始偏差lr
box: 7.5 # box loss gain
cls: 0.5 # cls loss gain (scale with pixels)
dfl: 1.5 # dfl loss gain
fl_gamma: 0.0 # focal loss gamma (efficientDet default gamma=1.5)
label_smoothing: 0.0 # label smoothing (fraction)
nbs: 64 # nominal batch size
hsv_h: 0.015 # image HSV-Hue augmentation (fraction)
hsv_s: 0.7 # image HSV-Saturation augmentation (fraction)
hsv_v: 0.4 # image HSV-Value augmentation (fraction)
degrees: 0.0 # image rotation (+/- deg)
translate: 0.1 # image translation (+/- fraction)
scale: 0.5 # image scale (+/- gain)
shear: 0.0 # image shear (+/- deg)
perspective: 0.0 # image perspective (+/- fraction), range 0-0.001
flipud: 0.0 # image flip up-down (probability)
fliplr: 0.5 # image flip left-right (probability)
mosaic: 1.0 # image mosaic (probability)
mixup: 0.0 # image mixup (probability)
copy_paste: 0.0 # segment copy-paste (probability)
# Custom config.yaml ---------------------------------------------------------------------------------------------------
cfg: # for overriding defaults.yaml
# Debug, do not modify -------------------------------------------------------------------------------------------------
v5loader: False # use legacy YOLOv5 dataloader
4 模型预测
weight_path = "best.pt" # 自训练的模型
imgdir = r'/media/ll/L/llr/DATASET/subwayDatasets/bjdt/images'
img_path = r'/media/ll/L/llr/DATASET/subwayDatasets/bjdt/images/L_0000018.jpg'
model = YOLO(weight_path)
results = model(img_path,show=False,save=False) # 是否显示和保存结果数据
预测一张图片，results如下图所示：
预测文件夹目录，results如图所示：
无论是一张图片还是图片目录，返回的results都是list
要对预测结果进行处理需要索引进去，如下图所示
结果参数说明：
boxes：各种形式的检测框信息（xyxy、xywh、归一化的）、类别索引、置信度等
names：类别字典
orig_img：原图数组
orig_shape：原图尺寸
plots：在验证时保存图像（预测时一般为None）
speed：处理速度
基于上述模型提供的检测结果进行后处理算法等
上述即为yolov8的快速使用
生产环境中的 CloudKit 自定义区域
】生产环境中的CloudKit自定义区域【英文标题】：CloudKitCustomZonesinProductionEnvironment【发布时间】：2018-03-2200:32:23【问题描述】：iCloud集成在开发环境中有效，在生产环境中失败。似乎自定义记录区域没有与记录类型一起部署。请... 查看详情
imix功能测试——网络测试仪实操
参考技术A在真实的网络环境中，用户产生的网络数据报文的长度并不是固定的，也就要求我们在评估DUT转发能力时，不能仅仅测试固定长度的报文，而是需要测试多种不同报文长度的组合。信而泰RENIX测试仪中的iMIX报文长度就... 查看详情
自定义函数基础（内有实操）
...sp;函数参数里的内容：函数体，交代函数是怎样实现的。实操1：找出两个整数的较大值思路：因为要照出两个数的较大值，所以首先定义这两个数。接下来开始求出这两个数的较大值，需要设置一个求较大值的函数；当把a,b参... 查看详情
symfony 自定义语言环境前缀配置
】symfony自定义语言环境前缀配置【英文标题】：symfonycustomlocaleprefixconfiguration【发布时间】：2022-01-1506:30:21【问题描述】：我正在寻找一种方法来为不同的客户端自定义语言环境前缀配置。我已经在Symfony文档中定义了这个#config/... 查看详情
hadoop大数据技术yarn案例实操(代码片段)
Yarn案例实操1.Yarn生产环境核心参数配置案例2.容量调度器多队列提交案例2.1需求2.2配置多队列的容量调度器2.3向Hive队列提交任务2.4任务优先级3.公平调度器案例3.1需求3.2配置多队列的公平调度器3.3测试提交任务4.Yarn的Tool接口案... 查看详情
Rails - 环境配置文件中的自定义配置？
】Rails-环境配置文件中的自定义配置？【英文标题】：Rails-Customconfiginenvironmentconfigfiles?【发布时间】：2011-03-1618:14:42【问题描述】：是否可以在config/environments/*.rb或config/environment.rb文件中定义自定义配置。是的，我如何从我的... 查看详情
如何在 Laravel-4 中包含不同环境的自定义配置
】如何在Laravel-4中包含不同环境的自定义配置【英文标题】：HowtoincludecustomconfigfordifferentenvironmentinLaravel-4【发布时间】：2013-07-1408:28:11【问题描述】：$env=$app->detectEnvironment(array(\'local\'=>array(\'*.local\'),));原始配置文件可以在... 查看详情
springboot分环境导出自定义xml配置
...的，而且开发development、测试test、集成off、正式production环境都会有所不同，这种时候我们就需要让springboot分环境加载不同的xml配置文件。方案简介： springboot的@Condition 查看详情
PHP Elastic Beanstalk 环境的自定义 nginx 配置
】PHPElasticBeanstalk环境的自定义nginx配置【英文标题】：CustomnginxconfigforPHPElasticBeanstalkenvironment【发布时间】：2017-07-2403:26:18【问题描述】：我有一个使用PHP预配置平台的Web服务器环境。我想通过nginx将请求传递给代理服务器。这... 查看详情
Azure 自定义视觉：是不是可以在自定义视觉环境中存储图像元数据（不是标签）？
】Azure自定义视觉：是不是可以在自定义视觉环境中存储图像元数据（不是标签）？【英文标题】：AzureCustomVision:Isitpossibletostoreimagemetadata(NOTtags)intheCustomVisionenvironment?Azure自定义视觉：是否可以在自定义视觉环境中存储图像元数... 查看详情
Bamboo 构建计划与自定义环境配置的部署计划
】Bamboo构建计划与自定义环境配置的部署计划【英文标题】：Bamboobuildplansvsdeploymentplansforcustomenvironmentconfigurations【发布时间】：2013-08-3020:05:24【问题描述】：我正在评估Bamboo以取代我们的Jenkins设置，并且有几个问题。我有一个... 查看详情
selinux安全机制自定义用户环境firewalld基础配置
TopNSDENGINEERDAY03案例1：启用SELinux保护案例2：自定义用户环境案例3：配置firewalld防火墙1案例1：启用SELinux保护1.1问题本例要求为虚拟机server0、desktop0配置SELinux：确保SELinux处于强制启用模式在每次重新开机后，此设置必须仍然有... 查看详情
容器指南之自定义lnmp容器镜像
1.简介在Linux环境中最常用的组件应该属于LNMP组合（Linux+Nginx+Mysql+PHP），当然，随着Go、Rust语言的普及，生产环境有更多的组合配置。但是Nginx的Web端和MySQL的数据库端还是主力配置。受Nginx、MySQL和PHP多版本和多配置文件的影响... 查看详情
大数据分析师实操练习（hadoop完全分布式集群搭建）(代码片段)
参考自：大数据技能竞赛之hadoop完全分布式集群搭建（三）练习内容：安装并配置Hadoop相关环境；相关配置文件，并确定master为namenode，slave1和slave2为datanode；配置Yarn运行环境；设置Yarn核心参数... 查看详情
在多数据库环境中使用返回自定义类型的函数
】在多数据库环境中使用返回自定义类型的函数【英文标题】：Usingfunctionreturningcustomtypeinmultidatabaseenvironment【发布时间】：2015-09-2314:41:19【问题描述】：我得到了一个简单的utils包，它具有将分隔字符串转换为自定义表的功能。... 查看详情
springboot--日志开发和生产环境切换自定义配置
SpringBoot日志常用配置：#日志输出的地址：SpringBoot默认并没有进行文件输出，只在控制台中进行了打印logging.file=/home/zhou#日志级别debug->info->warning->error#默认级别为info#如果设置了debug=true的时候，日志级别会自动降低为debug... 查看详情
实操记录之-----antdesignofvue增强版动态合并单元格，自动根据数据进行合并，可自定义横纵向合并(代码片段)
前几天搞了个简易版的动态合并单元格但是需求有变化，就只能稍微改改了~~欢迎路过的各位大佬指出我代码的问题~~~~另：代码执行效率不是很高，如果需要大量渲染更多数据建议可以直接使用原生<template><page-view:title="ti... 查看详情
实现自定义注解中变量的解析--stringvalueresolver
...就把注解称为@TdmqHandler。目前存在的问题是我们本地开发环境和测试环境使用的同一套TDMQ导致本地会消费测试环境的TDMQ的数据，因为我们想配置一个变量，然后通过启动命令来将这个TDMQ的消费者关闭。获取到的enableValue的值即... 查看详情