1.数据集和训练模型

项目地址：https://github.com/airockchip/ultralytics_yolov8.git

从github(htps:l/github.com/airockchip/ultralytics_yolov8)上获取yolov8模型。

下载项目：

git clone https://github.com/airockchip/ultralytics_yolov8.git

安装：

Pip 使用 PyTorch>=1.7 在 Python>=3.8 环境中安装包含所有要求的 ultralytics 包。

pip install ultralytics

 下载数据集：

数据集下载：从roboflow数据集网站下载火灾检测的数据集并导出为YOLO格式的标签文件(或者使用标注工具（如LabelImg或者LabelMe)进行数据标注，生成YOLO格式）。

导入数据集： 

下载好的模型代码用Pycharm打开后，需要导入数据集进行训练。下面是数据集的结构： 

 修改配置文件：

dataset/data.yaml复制到ultralytics/cfg/datasets下，命名为my_dataset.yaml。

修改my_dataset.yaml的内容。

修改 ultralytics/cfg/model/v8/yolov8.yaml。

训练模型：

yolo detect train data=C:/Users/WYX/Desktop/code/yolov8-main/ultralytics/cfg/datasets/my_dataset.yaml model=yolov8n.pt epochs=500 batch=32 imgsz=640 device=cpu

训练结果：

设置训练500次，在过去100个周期中没有观察到任何改进，训练提前停止。最佳结果出现在第217个周期上，最佳模型保存为best.pt,图像大小640。训练完成后会在yolov8-main/runs/detect/train weights目录下面产生一个best.pt的模型文件，即训练好的模型。

 训练完成后分别进行预测和验证。

预测：

默认预测的数据图片在ultralytics/assets，需要预测前放入要预测的数据图片。

yolo predict model=C:\Users\WYX\Desktop\code\yolov8-main\runs\detect\train\weights\best.pt

 验证：

yolo val model=C:\Users\WYX\Desktop\code\yolov8-main\runs\detect\train\weights\best.pt data=data=C:/Users/WYX/Desktop/code/yolov8-main/ultralytics/cfg/datasets/my_dataset.yaml batch=32

结果：