You Only Look Once

点击查看【bilibili】

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。

安装

在一个 Python>=3.7 环境中，使用 PyTorch>=1.7，通过 pip 安装 ultralytics 软件包以及所有依赖项。

pip install ultralytics

使用

YOLOv8 可以在命令行界面（CLI）中直接使用，只需输入 yolo 命令：
命令的格式为：

yolo TASK MODE ARGS
Where   TASK (optional) is one of [detect, segment, classify]
        MODE (required) is one of [train, val, predict, export, track]
        ARGS (optional) are any number of custom 'arg=value' pairs like 'imgsz=320' that override defaults.

我们以detect任务为例Detect任务。执行命令，模型会自动去下载预训练的模型

yolo detect predict model=yolov8n.pt source='https://ultralytics.com/images/bus.jpg'

训练自己的数据集

本节我们就来学习如何训练自己的数据集，例如我们现在想要识别如下几种图标, 我们就需要来训练自己的数据集。

采集数据

采集数据具体的步骤如下：

1. 采集图像（注意：多种角度，多种光照情况下）
2. 剔除有瑕疵的图像：如模糊不清，没有出现识别主体
3. 标注图像：框出要识别的主体
4. 拆分训练集和验证机，推荐按照1：4的比例拆分

   标注数据

   使用labelimg对采集的数据进行标注
   

模型训练

模型训练命令如下：

yolo detect train data=coco128.yaml model=yolov8n.yaml epochs=100 imgsz=640

创建yaml配置文件

配置文件内容格式参考coco128.yaml

# Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..]
path: ../datasets/coco128  # dataset root dir
train: images/train2017  # train images (relative to 'path') 128 images
val: images/train2017  # val images (relative to 'path') 128 images
test:  # test images (optional)
# Classes
names:
  0: person
  1: bicycle