前言：Hello大家好，我是小哥谈。YOLOv8是一种目标检测算法，它是YOLO（You Only Look Once）系列算法的最新版本。本节课就带领大家如何基于YOLOv8来训练自己的目标检测模型，本次作者就以安全帽佩戴检测为案例进行说明，让大家可以轻松了解整个模型训练过程！~🌈  

     目录

🚀1.算法介绍

🚀2.数据标注

🚀3.模型训练

 🚀1.算法介绍

YOLOv8是一种目标检测算法，它是YOLO（You Only Look Once）系列算法的最新版本。YOLOv8采用了一种单阶段的检测方法，可以实时地在图像或视频中检测出多个目标物体的位置和类别。YOLOv8的核心思想是将目标检测任务转化为一个回归问题，通过一个卷积神经网络将输入图像映射到一个固定大小的特征图上，并在特征图上进行目标的位置和类别的预测。相比于传统的两阶段方法，YOLOv8具有更快的检测速度和更高的准确率。

YOLOv8的网络结构采用了Darknet作为基础网络，通过多个卷积层和池化层提取图像特征，并通过全连接层进行目标的位置和类别的预测。此外，YOLOv8还引入了一些技巧来提升检测性能，如使用多尺度特征图进行目标检测、使用Anchor Boxes来处理不同尺度的目标等。

YOLOv8的主要特点包括：

1. 高速度：YOLOv8能够实时地进行目标检测，达到了非常快的检测速度。
2. 高准确率：YOLOv8在保持较快速度的同时，也具备较高的检测准确率。
3. 多尺度检测：YOLOv8可以在不同尺度的特征图上进行目标检测，从而能够检测到不同大小的目标物体。
4. 多类别检测：YOLOv8可以同时检测多个不同类别的目标物体。

总结来说，YOLOv8是一种高效准确的目标检测算法，可以广泛应用于实时物体检测、视频监控、自动驾驶等领域。

YOLOv8官方仓库地址：

GitHub - ultralytics/ultralytics: NEW - YOLOv8 🚀 in PyTorch > ONNX > OpenVINO > CoreML > TFLite

作者在官网下载后，将含有预训练权重文件的YOLOv8完整源码进行了上传，大家可自行下载。  

---

🚀2.数据标注

利用labelimg或者make sense软件来标注数据，关于如何使用labelimg或者make sense软件来为自己的数据集打上标签，请参考作者专栏文章：

说明：♨️♨️♨️

数据标注工具的使用教程：

YOLOv5入门实践（1）— 手把手教你使用labelimg标注数据集（附安装包+使用教程） 

YOLOv5入门实践（2）— 手把手教你使用make sense标注数据集（附工具地址+使用教程）

---

🚀3.模型训练

第1步：准备数据集

将数据集放在datasets文件夹中。datasets属于放置数据集的地方，位于PycharmProjects中，C:\Users\Lenovo\PycharmProjects中（这是我的电脑位置，跟你的不一定一样，反正位于PycharmProjects中，如果没有，可自行创建），属于项目的同级文件夹。具体如下图所示：

打开datasets文件夹，可以看到本次安全帽训练所使用的数据集。

安全帽佩戴检测数据集是我手动标注好的，可以在我的博客“资源”中下载。

打开数据集文件，我们会看到数据集文件包括images和labels两个文件夹，其中，images放的是数据集图片，包括train和val两个文件夹，labels放的是经过labelimg标注所生成的标签，也包括train和val两个文件夹。

关于此处数据集的逻辑关系，用一张图总结就是：⬇️⬇️⬇️

第2步：创建yaml文件

打开pycharm，选择YOLOv8项目源码文件，在ultralytics\cfg\datasets下新建一个helmet.yaml，如下图所示：

打开helmet.yaml，按照如下图所示的进行配置：

说明：♨️♨️♨️

1.train和val为绝对路径地址，可根据自己数据集的路径地址自行设置。

2.nc指的是分类，即模型训练结果分类，此处为在用labelimg或者make sense为数据集标注时候确定。

3.由于本次进行的是安全帽佩戴检测模型训练，所以分两类，分别是：helmet（佩戴安全帽）和nohelmet（不佩戴安全帽）

打开coco128.yaml文件，可以看到里面写的是相对路径，和我们的写法不同，但是都可以使用，据我所知还有很多种数据集读取方式：

# Ultralytics YOLO 🚀, AGPL-3.0 license
# COCO128 dataset https://www.kaggle.com/ultralytics/coco128 (first 128 images from COCO train2017) by Ultralytics
# Documentation: https://docs.ultralytics.com/datasets/detect/coco/
# Example usage: yolo train data=coco128.yaml
# parent
# ├── ultralytics
# └── datasets
#     └── coco128  ← downloads here (7 MB)

# 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: ../datasets/coco128 # dataset root dir
train: images/train2017 # train images (relative to 'path') 128 images
val: images/train2017 # val images (relative to 'path') 128 images
test: # test images (optional)

# Classes
names:
  0: person
  1: bicycle
  2: car
  3: motorcycle
  4: airplane
  5: bus
  6: train
  7: truck
  8: boat
  9: traffic light
  10: fire hydrant
  11: stop sign
  12: parking meter
  13: bench
  14: bird
  15: cat
  16: dog
  17: horse
  18: sheep
  19: cow
  20: elephant
  21: bear
  22: zebra
  23: giraffe
  24: backpack
  25: umbrella
  26: handbag
  27: tie
  28: suitcase
  29: frisbee
  30: skis
  31: snowboard
  32: sports ball
  33: kite
  34: baseball bat
  35: baseball glove
  36: skateboard
  37: surfboard
  38: tennis racket
  39: bottle
  40: wine glass
  41: cup
  42: fork
  43: knife
  44: spoon
  45: bowl
  46: banana
  47: apple
  48: sandwich
  49: orange
  50: broccoli
  51: carrot
  52: hot dog
  53: pizza
  54: donut
  55: cake
  56: chair
  57: couch
  58: potted plant
  59: bed
  60: dining table
  61: toilet
  62: tv
  63: laptop
  64: mouse
  65: remote
  66: keyboard
  67: cell phone
  68: microwave
  69: oven
  70: toaster
  71: sink
  72: refrigerator
  73: book
  74: clock
  75: vase
  76: scissors
  77: teddy bear
  78: hair drier
  79: toothbrush

# Download script/URL (optional)
download: https://ultralytics.com/assets/coco128.zip

第3步：下载预训练权重

打开YOLOv8官方仓库地址，可以根据需要下载相应的预训练权重。

预训练权重下载地址：GitHub - ultralytics/ultralytics: NEW - YOLOv8 🚀 in PyTorch > ONNX > OpenVINO > CoreML > TFLite

下载完毕后，即可将其复制粘贴到YOLOv8源码的主目录下。具体如下图所示：

 第4步：新建Python文件

通过查看YOLOv8官方文档可知，YOLOv8提供CLI和python两种训练方式。区别在于：

• 方式1：CLI就是直接在终端运行指令
• 方式2：python需要你新建一个python文件，然后运行代码

YOLOv8官方文档地址：Home - Ultralytics YOLOv8 Docs 

本次训练作者采用方式2。

在YOLOv8源码目录下新建Python文件，命名为mytrain.py。具体如下图所示：

本次案例，我的mytrain.py文件内容如下所示，大家可自行调整路径地址。

from ultralytics import YOLO
import wandb

wandb.init(project="YOLOv8")

# Load a model
model = YOLO(r"C:\Users\Lenovo\PycharmProjects\ultralytics-main-v1\ultralytics\cfg\models\v8\yolov8.yaml")  # build a new model from scratch
model = YOLO(r"C:\Users\Lenovo\PycharmProjects\ultralytics-main-v1\yolov8s.pt")  # load a pretrained model (recommended for training)

# Use the model
model.train(data=r"C:\Users\Lenovo\PycharmProjects\ultralytics-main-v1\ultralytics\cfg\datasets\helmet.yaml", epochs=100)  # train the model
metrics = model.val()  # evaluate model performance on the validation set
#results = model("https://ultralytics.com/images/bus.jpg")  # predict on an image
#path = model.export(format="onnx")  # export the model to ONNX format

说明：由于本次案例不需要导出模型，我将相关代码注释了，大家后续可根据实际情况进行调整。

第5步：调节参数

YOLOv8关于模型的各种参数都在ultralytics/cfg/default.yaml中，这是与先前版本最大的不同，通过调节这些参数我们就可以实现各种我们所需的操作。

第5步：开始训练

当参数调节完毕之后，即可点击“运行”。具体运行结果如下图所示：

训练结束后，训练结果如下所示：

---