当前位置：首页 > news >正文

YOLOv8自定义目标检测模型训练与应用指南

news 2025/9/8 16:54:54

一、引言
目标检测技术概述及其在实际应用中的重要性

YOLOv8模型简介及其优势

本文主要内容与目标：从数据准备到模型训练再到实际应用的全流程指南

二、环境准备与工具安装

Python环境配置（建议3.8+版本）
Ultralytics YOLOv8库安装
可选：GPU环境配置（CUDA和cuDNN）
辅助工具推荐：标注工具、数据预处理工具

三、数据集构建与准备
3.1 目录结构设计

face_train/
├── images/
│   ├── train/
│   └── val/
└── labels/
│   ├── train/
│    └── val/
└── xun.py   
└── data.yaml

3.2 准备训练图片和标注

图片要求：包含检测目标的图片，格式为jpg或png
数量建议：每个类别至少100-200张图片，场景越多越好
标注工具：推荐使用LabelImg、CVAT等标注工具
标注格式：YOLO格式的txt文件，内容为

类别下标 中心点x比例 中心点y比例 宽度比例 高度比例

四、数据集配置文件
创建data.yaml配置文件：

path: D:\code\python\study\yolov\face_train
train: images/train
val: images/val
nc: 4
names: ['八戒', '悟空', '白骨精', '唐僧']

五、模型训练代码

import os
os.environ['ULTRALYTICS_NO_DOWNLOADS'] = '1'from ultralytics import YOLO# 验证数据集
print("验证数据集...")
from ultralytics.data.utils import check_det_dataset
try:check_det_dataset('data.yaml')print("数据集验证通过！")
except Exception as e:print(f"数据集错误：{e}")exit()# 训练配置
model = YOLO('yolov8n.pt')
model.train(data='data.yaml',epochs=500,imgsz=640,batch=32,device='cpu',workers=0,exist_ok=True
)

五、模型训练过程

best

六、检测已训练的模型识别精确度

#检测模型结果
from ultralytics import YOLO
# 模型训练完毕自动保存到:runs\detectitrainweights
#best.pt 是训练好的最优模型(适用于最终应用)
# last.pt 是训练的最后一轮模型(适用于训练继续)
#加载自己训练好的模型
model = YOLO(r'D:\code\python\study\yolov\face_train\runs\detect\train\weights\best.pt')
# 目标检测（图片检测）
results = model.predict(source=r'D:\code\python\study\yolov\textData\22.jpg',show=True,    # 实时显示检测结果save=True,    # 保存检测结果conf=0.5      # 置信度阈值
)print("检测完成！结果已保存到 runs/detect/predict/")
# 检测模型结果 - 终极优化版
# from ultralytics import YOLO  # 修正大小写
# import matplotlib.pyplot as plt
# import cv2
# import os# # === 1. 中文显示解决方案 ===
# plt.rcParams['font.sans-serif'] = ['SimHei']  # Windows系统字体
# plt.rcParams['axes.unicode_minus'] = False# # === 2. 加载训练好的模型 ===
# model_path = r'D:\code\python\study\yolov\face_train\runs\detect\train\weights\best.pt'
# model = YOLO(model_path)  # 加载最佳模型# # === 3. 通用检测函数 ===
# def run_detection(source, is_video=False):
#     """执行检测并保存结果#     Args:
#         source: 文件路径或摄像头ID（0为默认摄像头）
#         is_video: 是否为视频/摄像头输入
#     """
#     # 检测参数配置
#     results = model.predict(
#         source=source,
#         show=True,               # 实时显示
#         save=True,              # 保存结果
#         save_txt=True,          # 保存标签文件
#         save_conf=True,         # 保存置信度
#         conf=0.5,              # 置信度阈值
#         imgsz=640,             # 推理尺寸
#         device='cpu',          # 使用GPU可改为0
#         line_width=1,          # 框线粗细
#         show_labels=True,      # 显示标签
#         show_conf=True        # 显示置信度
#     )#     # 自定义结果保存路径
#     output_dir = 'runs/detect/predict_enhanced'
#     os.makedirs(output_dir, exist_ok=True)#     # 处理结果
#     for i, r in enumerate(results):
#         # 保存带检测框的媒体文件
#         if is_video:
#             output_path = os.path.join(output_dir, f'result_{i}.mp4')
#             r.save(filename=output_path)
#         else:
#             output_path = os.path.join(output_dir, f'result_{i}.jpg')
#             cv2.imwrite(output_path, r.plot(line_width=1))  # 使用OpenCV保存#         print(f'结果已保存至: {output_path}')# # === 4. 执行检测 ===
# if __name__ == '__main__':
#     # 视频检测（参数改为你的视频路径）
#     run_detection(r'D:\code\python\study\yolov\测试训练模型数据\b9f954683bfe91470d129a118ee62efa.jpg', is_video=True)#     # 图片检测（示例，可改为你的图片路径）
#     # run_detection('test.jpg')#     # 摄像头实时检测（参数0表示默认摄像头）
#     # run_detection(0, is_video=True)