【目标检测】Yolov8 完整教程 | 检测 | 计算机视觉

学习资源：https://www.youtube.com/watch?v=Z-65nqxUdl4

@努力的小巴掌 记录计算机视觉学习道路上的所思所得。

1、准备图片images

收集数据网站：OPEN IMAGES 

2、准备标签labels

网站：CVAT  有点是：支持直接导出yolo格式的标签

步骤：创建项目---Projects---输入类别--上传数据

目标检测标签文件格式：

每一行代表一个检测对象：类别，Center_x, Center_y, W, H

每一个label文件中的行数，对应该张图片中检测对象的数量

注意：Center_x, Center_y, W, H这4个数字是浮点数，因为是相对于整个图像的大小

3、文件格式化

images

labels

名称完全相同，拓展名不同

4、开始训练

yolov8的便捷之处在于，可以直接在python中使用代码运行。或者命令行运行。

方法1：python解释器运行

创建main.py

• 下载库：from ultralytics import YOLO

ultralytics库占用空间挺大的。做好准备。

• 加载模型：model = YOLO("yolov8n.yaml")

这个模型对应着官网的不同版本，n到x，适应的目标检测越来越大。

按照任务不同进行模型的选择。

• 创建配置文件
  config.yaml

config.yaml文件的位置与main.py位于同一个目录下。可以正常运行。

path指向存放data路径，train和val是存放图片的具体位置。

注意：config文件中的path需要是绝对路径（直接去文件夹复制就好了），不要是相对路径，不然就会报错。

如上图，设计train和val是同样的图片； 可以用相同的数据作为train和val。

方法2：终端运行

yolo detect train data=config.yaml model='yolov8n.yaml' epochs=2

参考：

CLI - Ultralytics YOLO Docs

5、查看训练结果

看图表：

混淆矩阵：有关如何预测不同类别，会包含所有的类别

F1 confidence curve

Precison confidence curve

Precison recall curve

Loss：确保损失是在下降的

看图片结果判断

 6、使用全新图片或者视频进行预测以判断模型好坏

创建predict.py文件

参考：【yolov8语义分割】跑通：下载yolov8+预测图片+预测视频-CSDN博客