YOLOv8 设计快速、准确且易于使用，使其成为各种物体检测与跟踪、实例分割、图像分类和姿态估计任务的绝佳选择框架

1.安装YOLOv8

创建虚拟环境

conda create --name ros2 python=3.10

激活虚拟环境

conda  activate ros2

安装组件

pip install ultralytics -i https://pypi.tuna.tsinghua.edu.cn/simple

下载代码

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

常用命令

model    传入的model.yaml文件或者model.pt文件，用于构建网络和初始化，不同点在于只传入yaml文件的话参数会随机初始化
data    训练数据集的配置yaml文件
epochs    训练轮次，默认100
patience    早停训练观察的轮次，默认50，如果50轮没有精度提升，模型会直接停止训练
batch    训练批次，默认16
imgsz    训练图片大小，默认640
save    保存训练过程和训练权重，默认开启
save_period    训练过程中每x个轮次保存一次训练模型，默认-1（不开启）
cache    是否采用ram进行数据载入，设置True会加快训练速度，但是这个参数非常吃内存，一般服务器才会设置
device    要运行的设备，即cuda device =0或Device =0,1,2,3或device = cpu
workers    载入数据的线程数。windows一般为4，服务器可以大点，windows上这个参数可能会导致线程报错，发现有关线程报错，可以尝试减少这个参数，这个参数默认为8，大部分都是需要减少的
project    项目文件夹的名，默认为runs
name    用于保存训练文件夹名，默认exp，依次累加
exist_ok    是否覆盖现有保存文件夹，默认Flase
pretrained    是否加载预训练权重，默认Flase
optimizer    优化器选择，默认SGD，可选[SGD、Adam、AdamW、RMSProP]
verbose    是否打印详细输出
seed    随机种子，用于复现模型，默认0
deterministic    设置为True，保证实验的可复现性
single_cls    将多类数据训练为单类，把所有数据当作单类训练，默认Flase
image_weights    使用加权图像选择进行训练，默认Flase
rect    使用矩形训练，和矩形推理同理，默认False
cos_lr    使用余弦学习率调度，默认Flase
close_mosaic    最后x个轮次禁用马赛克增强，默认10
resume    断点训练，默认Flase
lr0    初始化学习率，默认0.01
lrf    最终学习率，默认0.01
label_smoothing    标签平滑参数，默认0.0
dropout    使用dropout正则化(仅对训练进行分类)，默认0.0

测试

yolo predict model=/home/share/yolov8s.pt source='/home/share/bus.jpg'

或者

yolo predict model=yolov8n.pt source='https://ultralytics.com/images/bus.jpg'

"model="后面所添加的是权重的位置。因为此权重才主目录故直接选择即可。
“source=”后面所添加的是需要检测照片的地址，如果自己想识别其他的文件，则可以在source=后面加入图片或视频的“地址+文件名”。

原图片

结果图片