YOLOv8主要有三个常用命令，分别是：train（训练）、predict（预测）、export（转化模型格式），下面我将展开讲讲三个常用命令的常用参数与具体使用方法。

一、训练

通过自己标注的数据集，训练自己所需的模型，训练完成的模型存储在runs文件夹里面。

yolo train data=data/data.yaml model=yolov8s.pt epochs=300 imgsz=640 batch=8 workers=0 device=0

data：训练的参数文件，具体如下：

train: xxx/xxx/images/train    xxx/xxx为训练集图片根目录地址，一定要是绝对路径
val: xxx/xxx/images/val
nc: 2 #训练集的标签名称数量，就是下面names列表参数数量
names: ["1"，"2"]#标签名称

model：预训练模型，可以是YOLOv8官方的模型，也可以是自己训练的模型，推荐使用yolov8s.pt

epochs：训练轮数，在数据集没问题的情况下，轮数多了，acc（精准度）会提高，loss会降低，但是他会有一个临界值，轮数超过一定数量acc和loss都不在变化，就可以停止了，这个临界值需要凭借经验和数据集数量自己去判断，可以跑个100000轮次看一下到多少停止变化。

imgsz：训练时图片大小，根据自己训练的图片尺寸和要识别的物体大小进行判断，训练的图片尺寸大的建议使用640，图片小的使用320。

batch：训练时每次传入GPU的图片数量，对显卡的显存要求高。数据集train里面的图片数量 / batch的大小即为每轮训练里面的读取图片特征值的轮数，batch越高精度会有所提升，训练也越快。

workes：数据装载时cpu所使用的线程数，可以查看自己的cpu的线程数量进行设置，越高给显卡传输图片速度越快，如果你的显卡性能很强，可以提高workes的值。

device：训练所使用的设备，默认为cpu，0为显卡，如果有多个显卡可以0,1,2…往后排开。

其中主要影响训练速度的有：epochs（轮数越大时间越长）、imgsz（图片尺寸越大时间越长）、batch（越小时间越长）、workes（越小时间越长） 可以打开任务管理器查看CPU和GPU的占用情况调节以上参数

二、预测

yolo predict model=yolov8n.pt source='ultralytics/assets/' device=0

对训练完成的模型，使用测试图片或视频进行测试，测试完成的数据保存在runs文件夹里面。

model：要测试的模型，可以是YOLOv8官方的模型，也可以是自己训练的模型

source：要测试的图片的地址，使用绝对路径和相对路径都可以

device：测试图片使用的设备

三、模型转化

使用该指令将YOLOv8的pt模型转化为onnx模型，可以进一步转化为自己所需的类型。

yolo export model=yolov8n.pt format=onnx

model：要转化的模型

format：要转化成的模型类型

下面是官方写的其他export参数