YOLOV8 目标检测：训练自定义数据集

本文主要是介绍YOLOV8 目标检测：训练自定义数据集，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

1、下载

yolov8项目：ultralytics/ultralytics：新增 - PyTorch 中的 YOLOv8 🚀 > ONNX > OpenVINO > CoreML > TFLite --- ultralytics/ultralytics: NEW - YOLOv8 🚀 in PyTorch > ONNX > OpenVINO > CoreML > TFLite (github.com)

直接下载即可

官方教程：Predict - Ultralytics YOLO Docs

2、环境配置

建立虚拟环境：conda cerate -n yolov8 python=3.8（版本需要>=3.7）

激活虚拟环境：conda activate yolov8

进入yolov8项目，直接pip即可： pip install ultralytics

3、训练

数据集的摆放都可以，只要和 yaml 文件配置好就行，这里摆放成本人习惯的形式

需要编写yaml文件，如下：

path: yolov8/datasets
train: images/train
val: images/valnames:0: guava1: lime2: orange3: pomegranate4: apple5: banana

这里写法是mydata.yaml文件

path 是路径，绝对路径（相对路径）都可以，不过本人跑项目的时候填写绝对路径才行

train 脚本：

# encoding=gbkfrom ultralytics import YOLO#model = YOLO('../ultralytics/cfg/models/v8/yolov8n.yaml')    # 建立模型
model = YOLO('./yolov8n.pt')    # 预训练模型
model = YOLO('./yolov8n.yaml').load('./yolov8n.pt')    # 载入权重model.train(data='./mydata.yaml')

4、训练过程

如下：

训练结果如下：

数据集是水果检测：

5、推理

脚本如下：

from ultralytics import YOLOmodel = YOLO('runs/detect/train/weights/best.pt')
model.predict('datasets/images/val',save=True)

6、调参

调参的话，可以在train脚本添加，更简单的直接更改文件即可：

yolov8\ultralytics\cfg\default.yaml

测试项目：基于yolov8对6种水果数据集的目标检测实现【数据+代码+训练好的权重】资源-CSDN文库https://download.csdn.net/download/qq_44886601/89456431

这篇关于YOLOV8 目标检测：训练自定义数据集的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！

---