一、YOLOv8源码下载：https://github.com/ultralytics/ultralytics/tree/v8.2.76
我下载的是最新版本8.2.76
接着下载权重
下载源码后解压
二、配置虚拟环境
创建虚拟环境
conda create -n yolov8 python==3.9
激活环境
conda activate yolov8下载pytorch,官网地址：PyTorch
出现以下内容就是已经装好了pytorch
用pycharm打开源代码工程文件，虚拟环境选择yolov8
虚拟环境中装ultralytics
pip install ultralytics
进入项目路径下运行测试代码,cd ultralytics-8.2.76,然后预测目标检测
yolo predict model=yu/detection/yolov8n.pt source='ultralytics/assets/bus.jpg'
也可预测实例分割功能
yolo predict model=yu/segmentation/yolov8n-seg.pt source='ultralytics/assets/bus.jpg' 
三、训练自己的数据集，segment数据集是用labelme标注的，所以是json格式的，但yolov8训练需要用txt后缀的数据集，所以需要将json格式转成txt格式
（1）labelme标注后的json格式文件
json2txt代码
# -*- coding: utf-8 -*-
import json
import os
import argparse
from tqdm import tqdm
def convert_label_json(json_dir, save_dir, classes):
json_paths = os.listdir(json_dir)
classes = classes.split(',')
for json_path in tqdm(json_paths):
# for json_path in json_paths:
path = os.path.join(json_dir, json_path)
with open(path, 'r') as load_f:
json_dict = json.load(load_f)
h, w = json_dict['imageHeight'], json_dict['imageWidth']
# save txt path
txt_path = os.path.join(save_dir, json_path.replace('json', 'txt'))
txt_file = open(txt_path, 'w')
for shape_dict in json_dict['shapes']:
label = shape_dict['label']
label_index = classes.index(label)
points = shape_dict['points']
points_nor_list = []
for point in points:
points_nor_list.append(point[0] / w)
points_nor_list.append(point[1] / h)
points_nor_list = list(map(lambda x: str(x), points_nor_list))
points_nor_str = ' '.join(points_nor_list)
label_str = str(label_index) + ' ' + points_nor_str + '\n'
txt_file.writelines(label_str)
if __name__ == "__main__":
parser = argparse.ArgumentParser(description='json convert to txt params')
parser.add_argument('--json-dir', type=str,default='./json', help='json path dir')
parser.add_argument('--save-dir', type=str,default='./txt' ,help='txt save dir')
parser.add_argument('--classes', type=str, default='spring_water',help='classes')
args = parser.parse_args()
json_dir = args.json_dir
save_dir = args.save_dir
classes = args.classes
convert_label_json(json_dir, save_dir, classes)
改后的txt文件
（2）修改数据加载配置文件，在E:\project\MODEL\YOLO\yolov8-8.2.76\ultralytics-8.2.76\ultralytics\cfg\datasets，选择coco128-seg.yaml
我图片较少，没分训练集验证集。
（3）修改模型配置文件，在E:\project\MODEL\YOLO\yolov8-8.2.76\ultralytics-8.2.76\ultralytics\cfg\models\v8
选择yolov8-seg.yaml,修改nc为自己数据集所需检测类别的个数
至此，所有的配置已经完成。
四、训练自己的数据集
在Terminal下输入指令：yolo train data=你的配置文件（xx.yaml）的绝对路径 model=yolov8s.pt epochs=300 imgsz=640 batch=8 workers=0 device=0 这是用的yolov8s-seg.pt当作预训练模型
yolo segment train data=ultralytics\cfg\datasets\coco128-seg-0812.yaml model=yu\segmentation\yolov8s-seg.pt epochs=100 imgsz=640 batch=2 workers=0 device=0linux下训练的指令： yolo segment train data=ultralytics/cfg/datasets/coco128-seg-0812.yaml model=yu/segmentation/yolov8s-seg.pt epochs=100 imgsz=640 batch=2 workers=0 device=0 注意Linux下用正斜杠/,而不是反斜杠\
也可用改好的模型配置文件训练
yolo segment train data=ultralytics\cfg\datasets\coco128-seg-0812.yaml model=ultralytics\cfg\models\v8\yolov8-seg-0812.yaml epochs=100 imgsz=640 batch=2 workers=0 device=0注意Linux下用正斜杠/，指令是yolo segment train data=ultralytics/cfg/datasets/coco128-seg-0812.yaml model=ultralytics/cfg/models/v8/yolov8-seg-0812.yaml epochs=100 imgsz=640 batch=2 workers=0 device=0
如果想使用多卡训练，device='\0,1,2,xxx\'
训练过程首先会显示你所使用的训练的硬件设备信息，然后下一段话则是你的参数配置，紧接着是backbone信息，最后是加载信息，并告知你训练的结果会保存在runs\segment\trainxx。
训练结束后可以测试自己的模型，把结果坐标也保存下来
yolo segment predict model=runs/segment/train3/weights/best.pt source=datasets/segment/1first_0812/images save_txt就可以在runs\segments\predict\看到测试的结果图和labels了。
