1.前言

Ultralytics YOLOv8 是一款前沿、最先进（SOTA）的模型，基于先前 YOLO 版本的成功，引入了新功能和改进，进一步提升性能和灵活性。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。

2.源码下载以及部署

1.下载地址：

https://github.com/ultralytics/ultralytics

下载预训练权重

将下载好的预训练权重放在根目录下面

下载完之后用pycharm打开

2.部署环境

激活虚拟环境之后

pip install ultralytics

在pycharm里面选择自己的深度学习环境

3.准备数据集

yolo格式的数据集(COCO)：标签是txt文件

VOC数据集：标签是xml文件

将准备好的txt格式数据集放在data文件夹下面

4.修改配置文件

1.修改数据集的路径

找到coco128.yaml文件

复制coco128.yaml到同级文件夹，改名叫mycoco128.yaml

替换数据集目录

目录路径是相对路径

修改训练验证以及测试的路径

5.修改类别

6.修改类别数

找到yolov8.yaml文件

复制yolov8.yaml到同级文件夹，并改名叫myyolov8.yaml

然后修改nc(类别数)：6

3.训练自己的数据集

1.打开官方指导步骤

Python - Ultralytics YOLOv8 Docs

复制这段代码

from ultralytics import YOLO

# Create a new YOLO model from scratch
model = YOLO('yolov8n.yaml')

# Load a pretrained YOLO model (recommended for training)
model = YOLO('yolov8n.pt')

# Train the model using the 'coco128.yaml' dataset for 3 epochs
results = model.train(data='coco128.yaml', epochs=3)

# Evaluate the model's performance on the validation set
results = model.val()

# Perform object detection on an image using the model
results = model('https://ultralytics.com/images/bus.jpg')

# Export the model to ONNX format
success = model.export(format='onnx')

2.在根目录新建一个自己的训练文件

3.将官方的代码复制进去

预测和导出的代码先注释掉，先演示一下训练和验证

4.修改参数，将里面的文件都换成自己的路径

epoch换成30

5.直接运行，发现报错：SyntaxError: (unicode error) 'unicodeescape' codec can't decode bytes in position 22-23: truncated \uXXXX escape

解决方法：将路径的右斜杠(\)换成左斜杠(/)

将之前hatDataDemo的右斜杠也换成左斜杠

然后运行mytrain.py