本文通过docker的方式搭建yolov8运行环境，并成功训练了自己的数据集（化学仪器数据集）。
1、安装docker
在一台通往的服务器上安装docker，建议参考我之前的文章：Docker基础学习-CSDN博客
2、创建yolov8镜像
首先编写Dockerfile文件（为啥不用yolov8自带的Dockerfile文件，主要是因为试过但报错太多，不好解决，所以换一种风险低的方式），内容如下所示：
# 使用与CUDA 11.2兼容的PyTorch官方镜像作为基础镜像
# 使用nvidia-smi查看服务器CUDA 版本，然后参考PyTorch官方说明来选择合适的镜像，否则会出错！
FROM pytorch/pytorch:1.13.1-cuda11.6-cudnn8-runtime
# 所需要的包
RUN pip install scipy -i https://mirrors.aliyun.com/pypi/simple
RUN pip install numpy -i https://mirrors.aliyun.com/pypi/simple
RUN pip install matplotlib -i https://mirrors.aliyun.com/pypi/simple
RUN pip install tqdm -i https://mirrors.aliyun.com/pypi/simple
RUN pip install PyYAML -i https://mirrors.aliyun.com/pypi/simple
RUN pip install Pillow -i https://mirrors.aliyun.com/pypi/simple
RUN pip install opencv_python -i https://mirrors.aliyun.com/pypi/simple
RUN pip install tensorboard -i https://mirrors.aliyun.com/pypi/simple
RUN pip install h5py -i https://mirrors.aliyun.com/pypi/simple
RUN pip install Seaborn -i https://mirrors.aliyun.com/pypi/simple
RUN pip install ultralytics -i https://mirrors.aliyun.com/pypi/simple
RUN pip install yolo -i https://mirrors.aliyun.com/pypi/simple
然后依次运行以下脚本：
[root@hcs my_docker]# pwd
/data/ai/my_docker
[root@hcs my_docker]# ls
Dockerfile
[root@hcs my_docker]# docker build -t yolov8 .
出现了successful时说明镜像创建成功。
3、下载代码包
下载地址：https://github.com/ultralytics/ultralytics
4、下载模型预训练权重
我选择了yolov8n的预训练权重，地址：https://github.com/ultralytics/assets/releases/download/v0.0.0/yolov8n.pt
然后将下载好的yolov8n.pt放在ultralytics-main代码包文件夹下，如下所示：
5、制作数据集
拍摄化学仪器照片，并对图片进行剪裁、旋转、降噪等操作，增加样本数量。图片保存的位置很有讲究，将采集的图片数据集放在ultralytics-main文件夹的datasets下面的images文件夹，分为train和val，都要放入图片。如下所示（命名一致）：
然后使用LabelImg工具进行数据标注，打开cmd或者conda虚拟环境下安装：
C:\Users\coke> pip install labelimg -i https://pypi.tuna.tsinghua.edu.cn/simple 等待下载安装成功之后，继续输入以下代码打开labelimg。
C:\Users\coke> labelimg
上传的文件夹就是刚刚/data/ai/ultralytics-main/datasets/chemical/images/train文件夹，保存就是
/data/ai/ultralytics-main/datasets/chemical/labels/train文件夹，一一对应，验证集也是如此。其中Create RectBox就是标记识别方框，然后对每张图片标记得到相应的标签文本，如下图所示。
最后编写chemical.yaml文件，注意path路径写绝对路径，names代表分类，我的数据集分为两类，因此就是0：类别1,1：类别2，2：类别3....以此类推。
# 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: /data/ai/ultralytics-main/datasets/chemical # dataset root dir
train: images/train # train images (relative to 'path') 128 images
val: images/val # val images (relative to 'path') 128 images
test: # test images (optional)
names:
0: beaker
1: Triangular_flask至此，数据集准备结束，如下所示：
6、训练及验证数据集
进入容器，其中端口映射可以改成你服务器空闲端口号，/data/ai/ultralytics-main换成你ultralytics-main文件夹地址,yolov8换成你容器名称。
[root@hcs ~]# docker run --gpus all --ipc=host -p 8888:8888 -v /data/ai/ultralytics-main:/data/ai/ultralytics-main -it yolov8 /bin/bash在ultralytics-main文件夹下，按理说运行终端命令yolo detect train data=datasets/chemical/chemical.yaml model=yolov8n.yaml pretrained=./yolov8n.pt epochs=100 batch=4 lr0=0.01 resume=True就能成功运行，但是提示yolo没有detect命令等相关错误，因此查询yolo官网，我换成以python脚本的形式来进行训练。
在ultralytics-main文件夹下新建train.py，代码如下：
from ultralytics import YOLO
# Load a model
model = YOLO('yolov8n.yaml') # load a pretrained model (recommended for training)
model.load('yolov8n.pt')
# Train the model
model.train(data='datasets/chemical/chemical.yaml',
epochs=100, batch=4, lr0=0.01,resume=True, workers=0 )然后运行：
root@8cb5eda9707f:/data/ai/ultralytics-main# python train.py
出现下面的界面就表示运行成功：
最后结果会保存在runs/detect/train文件夹下。
至此，通过docker容器使用yolov8训练自己的数据集就完成啦，如果想要验证，可以再写一个验证脚本val.py，代码如下：
from ultralytics import YOLO
# Load a model
model = YOLO('runs/detect/train/weights/best.pt') # load a pretrained model (recommended for training)
# Train the model
model.val(data='datasets/chemical/chemical.yaml', epochs=100, batch=4, lr0=0.01, workers=0 )
然后再python val.py即可成功！结果同样在runs/detect/val文件夹下。
