一、引言

YOLOv8 不僅支持預訓練模型的推理，還允許用戶將其應用于自定義對象檢測。本文將詳細介紹如何使用 YOLOv8 訓練一個新的模型，并在自定義數據集上進行對象檢測。

二、數據集準備

1. 數據集格式

YOLOv8 支持多種數據集格式，包括 COCO 和 VOC 等。實際上，我們可以將自己的數據集統一到 YOLO 格式，自定義數據集可以使用的范圍更加廣泛，同樣需要保證數據集的圖片數量和質量，泛化能力才更強。它的結構如下：

datasets/custom_training/
├── data/
│   ├── train/
│   │   ├── images/
│   │   └── labels/
│   └── valid/
│       ├── images/
│       └── labels/
└── dataset.yaml

2. dataset.yaml 文件配置

path: datasets/custom_training  # 根目錄
train: data/train  # 訓練數據目錄
val: data/valid  # 測試數據目錄
nc: 1  # 目標類別數量
names: ['custom_object']  # 目標類別名稱

三、模型訓練

1. 訓練參數詳解

• task: 推理任務類型，如 detect（目標檢測）、segment（分割）、classify（分類）
• mode: YOLO 模式，如 train（訓練）、val（校驗）、predict（推理）、export（導出）
• model: 模型文件路徑
• data: 數據集配置文件
• epochs: 訓練輪數
• batch: 批量大小
• imgsz: 輸入圖像尺寸
• save: 是否保存訓練結果
• device: 使用的設備，如 cuda 或 cpu

2. 訓練命令

yolo task=detect mode=train model=yolov8n.pt epochs=100 batch=16 data=dataset.yaml

四、模型推理

1. 推理命令

yolo predict model=custom_best.pt source=test_image.jpg save=True

2. 推理結果顯示

模型在推理過程中將在給定的圖像上選框出目標，并添加標注，測試結果如下：

五、模型優化

為了達到最佳效果，可以采用如下方法：

1. 調整訓練參數

試試不同的 batch_size，imgsz，lr（學習率）等，規模不同配置對模型結果的影響。

2. 增加數據擴展

使用圖像模擬技術，如旋轉、縮放、位移等，增加數據集的多樣性，提升模型對于不同場景的適應能力。

3. 采用更高級模型

根據任務需求，可考慮使用 yolov8m.pt，yolov8l.pt，yolov8x.pt 等更高級模型，以提升出為效果。

六、總結

通過本文的介紹，讀者可以了解如何使用 YOLOv8 訓練自定義對象檢測模型。YOLOv8 具備高效性和出色的出為結果，是目標檢測領域的最佳選擇之一。