YOLOv8 是来自 Ultralytics 的最新的基于 YOLO 的对象检测模型系列,提供最先进的性能。 利用以前的 YOLO 版本,YOLOv8 模型更快、更准确,同时为训练模型提供统一框架,以执行物体检测、实例分割、图像分类等。
YOLOv8官网地址：https://docs.ultralytics.com/
一、安装
1.安装python，需要安装python3.10以上版本。
2.运行pip install ultralytics
3.卸载由于第二步直接安装的组件pip3 uninstall torch torchvision torchaudio，如果没有显卡，或是就想用cpu训练，可以跳过第三步与第四步
4.根据自己显卡的版本安装对应的pytorch
由于提示运行下图内容，因此执行
pip3 install torch torchvision torchaudio --index-url
https://download.pytorch.org/whl/cu121
二、训练
先去下载labelimg用于给图片打标签，下载地址：
通过图形化的labelimg这个工具给图片打标签。
其中，一个成熟的图片数据集至少要1万张图片，常规需要100万张才能训练出一个模型，因此给图片打标签是训练AI中工作量最大的工作。
创建一个文件夹，目录结构如下图：
train与valid的文件夹结构均为
其中labels就是通过labalimgs工具生成的打标数据。
data.yaml的内容如下：
train: train/images
val: valid/images
nc: 1
names: ['smoke']
分别指的是训练集和验证集，正式训练，运行如下命令
yolo train model=yolov8n.yaml data='D:\smoke\data.yaml' epochs=100 device=0
其中，epochs是指训练多少次，device=0是说使用显卡（能大大提升训练速度）。
根据实测一个1.5万图片的模型，I7 4790 cpu训练一次要10小时，I9-13900k cpu训练一次要40分钟，而RTX4090的显卡训练一次只需要2分钟。
训练完成后，yolo会自动保留最好的训练结果，保存路径为runs\detect\train\weights\best.pt
三、测试
运行如下命令
yolo predict model=runs\detect\train\weights\best.pt source=D:\smoke\train\images\H_00982_png.rf.cd83cf9394fc63ee2d179a9d14cfcb8b.jpg
生成的结果会出现在runs\detect\predict中。
