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/val
names:
0: guava
1: lime
2: orange
3: pomegranate
4: apple
5: 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=gbk
from 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 YOLO
model = 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
