阿里妹导读
这篇文章详细介绍了如何使用YOLOv8进行目标检测任务，包括环境搭建、数据准备、模型训练、验证测试以及模型转换等完整流程。
作者｜zzy的aly
一、目标检测介绍
目标检测（Object Detection）是计算机视觉领域的一项重要技术，旨在识别图像或视频中的特定目标并确定其位置。通过训练深度学习模型，如卷积神经网络（CNN），可以实现对各种目标的精确检测。常见的目标检测任务包括：人脸检测、行人检测、车辆检测等。目标检测在安防监控、自动驾驶、智能零售等领域具有广泛应用前景。
二、YOLOv8介绍
YOLOv8 是 Ultralytics 公司在 2023 年 1月 10 号开源的 YOLOv5 的下一个重大更新版本，目前支持图像分类、物体检测和实例分割任务，在还没有开源时就收到了用户的广泛关注。YOLOv8 抛弃了前几代模型的 Anchor-Base，提供了一个全新的 SOTA 模型，包括 P5 640 和 P6 1280 分辨率的目标检测网络和基于 YOLACT 的实例分割模型。和 YOLOv5 一样，基于缩放系数也提供了 N/S/M/L/X 尺度的不同大小模型，用于处理不同大小的输入图像 。
三、源码获取
https://github.com/ultralytics/ultralytics
四、环境搭建
CPU环境安装
conda create -n YOLOv8 python==3.8.1pip install ultralytics -i https://pypi.tuna.tsinghua.edu.cn/simpleGPU环境安装参考这个链接： https://developer.aliyun.com/article/1624222
# 安装CUDA、CUDNN、Python、Pytorch、Torchvision 这里每个版本要相互对应pip install ultralytics -i https://pypi.tuna.tsinghua.edu.cn/simple
4.1 环境检测
https://ultralytics.com/images/bus.jpg
命令行输入：
yolo predict model=yolov8n.pt source='ultralytics/data/images/bus.jpg'就会看到这个图片：
五、数据集准备
这时候说明环境是没问题的了，我们可以准备数据集了，数据集的格式就是TXT标签加原图片，可参考YOLOv5这个博客：
https://developer.aliyun.com/article/1626089
六、 模型训练
6.1 方式一
YOLO(“yolov8n.pt”) 表示用预训练模型
YOLO(“yolov8n.yaml”)表示正常训练
from ultralytics import YOLO# Load a model# model = YOLO("yolov8n.yaml") # build a new model from scratchmodel = YOLO("yolov8n.pt") # load a pretrained model (recommended for training)# Use the modelmodel.train(data="ultralytics/cfg/mask.yaml", epochs=3) # train the modelmetrics = model.val() # evaluate model performance on the validation setresults = model("ultralytics/data/images/bus.jpg") # predict on an imagepath = model.export(format="onnx") # export the model to ONNX format
6.2 方式二
yolo task=detect mode=train model=yolov8n.pt data=ultralytics/cfg/mask.yaml epochs=3 batch=16
6.3 针对其他任务
包括四种：detect 、segment、classify 、pose
通过修改YOLO()导入正确任务的yaml配置文件，以及通过data来指定需要载入的对应任务的数据集即可。
这里的数据集我都是按照TXT标签和原图来进行划分的，具体格式如下：
images
train val
labels
train val
from ultralytics import YOLO# Load a modelmodel = YOLO("ultralytics/cfg/models/v8/yolov8-seg.yaml") # build a new model from scratch# Use the modelmodel.train(data="ultralytics/cfg/custom_seg.yaml", epochs=3) # train the modelmetrics = model.val() # evaluate model performance on the validation setresults = model("ultralytics/data/images/bus.jpg") # predict on an imagepath = model.export(format="onnx") # export the model to ONNX format
七、模型验证
yolo task=detect mode=val model=runs/detect/train/weights/best.pt data=ultralytics/cfg/mask.yaml device=cpu
八、模型测试
yolo task=detect mode=predict model=runs/detect/train/weights/best.pt source=ultralytics/data/images device=cpuyolo task=detect mode=predict model=runs/detect/train/weights/best.pt source=ultralytics/data/images device=cpu
九、模型转换
9.1 转onnx
9.1.1 方式一
根据YOLOv8官网所给代码来实现：
yolo export model=yolov8s.pt format=onnx opset=12
https://github.com/triple-Mu/YOLOv8-TensorRT
python export-det.py \--weights yolov8s.pt \--iou-thres 0.65 \--conf-thres 0.25 \--topk 100 \--opset 11 \--sim \--input-shape 1 3 640 640 \--device cuda:0
9.2 转tensorRT
9.2.1 trtexec
最简单的方式是使用TensorRT的bin文件夹下的trtexec.exe可执行文件。
trtexec.exe --onnx=best.onnx --saveEngine=best.engine --fp169.2.2 代码转换
代码链接：YOLOv8-TensorRT
https://github.com/triple-Mu/YOLOv8-TensorRT
python3 build.py \--weights yolov8s.onnx \--iou-thres 0.65 \--conf-thres 0.25 \--topk 100 \--fp16 \--device cuda:0
9.2.3 推理代码
https://developer.aliyun.com/article/1626090
