作者：CSDN @ _养乐多_

本文将介绍如何训练和推理YOLO模型。使用coco8数据集以一个简单的demo进行示例。

---

---

一、准备

1.1 模型类型

YOLO8模型性能数据：

Model	Size (pixels)	mAPval 50-95	Speed CPU ONNX (ms)	Speed A100 TensorRT (ms)	Params (M)	FLOPs (B)
YOLOv8n	640	37.3	80.4	0.99	3.2	8.7
YOLOv8s	640	44.9	128.4	1.20	11.2	28.6
YOLOv8m	640	50.2	234.7	1.83	25.9	78.9
YOLOv8l	640	52.9	375.2	2.39	43.7	165.2
YOLOv8x	640	53.9	479.1	3.53	68.2	257.8

这个表格包含了YOLO模型的各项性能指标，包括模型大小、mAP值、CPU和TensorRT的推理速度、参数数量以及FLOPs。

1.2 环境配置

安装ultralytics库

pip install ultralytics

二、模型训练和推理

Windows系统下，直接运行以下代码。保持网络通畅，因为模型文件和推理图片都是通过网络直接下载并应用的。

from ultralytics import YOLO

if __name__ == '__main__':
    # 加载模型
    # model = YOLO("yolov8n.yaml")  # 从头构建一个新模型
    model = YOLO("yolov8n.pt")  # 加载一个预训练模型（推荐用于训练）

   # 训练
    model.train(data="coco8.yaml", epochs=3, workers=0)  # 使用单进程数据训练模型

    # 验证
    metrics = model.val()  # 评估模型在验证集上的性能
    
    # 推理
    results = model("https://ultralytics.com/images/bus.jpg")  # 对图像进行预测
    model.predict("https://ultralytics.com/images/bus.jpg", imgsz=640, save=True, device=0)

    # 保存模型
    path = model.export(format="onnx")  # 将模型导出为ONNX格式

如果网络有问题，就点击链接下载bus.jpg图片。 也可以自己在网上找一个有很多物体的图片进行推理。
代码如下，

from ultralytics import YOLO

if __name__ == '__main__':
    # 加载模型
    # model = YOLO("yolov8n.yaml")  # 从头构建一个新模型
    model = YOLO("yolov8n.pt")  # 加载一个预训练模型（推荐用于训练）

    # 训练
    model.train(data="coco8.yaml", epochs=3, workers=0)  # 使用单进程数据训练模型

    # 验证
    metrics = model.val()  # 评估模型在验证集上的性能
    
    # 推理
    # 如果网络有问题，就点击链接下载到本地，“https://ultralytics.com/images/bus.jpg”
    results = model("bus.jpg")  # 对图像进行预测
    model.predict("bus.jpg", imgsz=640, save=True, device=0)

    # 保存模型
    path = model.export(format="onnx")  # 将模型导出为ONNX格式

三、讨论

因为我只训练了3次，训练的epoch少，精度就会低一点，像下面右上角的图片中，人和马都检测错了。

再简化一下代码，四行就可以训练、预测和保存模型。

from ultralytics import YOLO

if __name__ == '__main__':
    # 加载模型
    model = YOLO("yolov8n.pt")  # 加载一个预训练模型（推荐用于训练）

   # 训练
    model.train(data="coco8.yaml", epochs=3, workers=0)  # 使用单进程数据训练模型
    
    # 推理
    model.predict("https://ultralytics.com/images/bus.jpg", imgsz=640, save=True, device=0)

    # 保存模型
    path = model.export(format="onnx")  # 将模型导出为ONNX格式