前言：

最近刷到有大佬用目標檢測在做害蟲密度檢測，不明覺厲，心想有時間了我也要去琢磨琢磨物體檢測，前幾天又有人找我幫忙做cf的敵我檢測，這回可是下了決心要磕一磕這個技術了，網上寫YOLOV8的教程不少，但是從數據集制作、標注、訓練、應用的詳細教程往往不在一篇文章中，借鑒起來不是那么方便，所以我把自己摸索路上的一些筆記記錄在這個平臺，一來是備份，方便我將來自己尋找，二來嘛如果將來有人有相同的需求時也能有個參照

效果展示

圖片展示

視頻展示

簡介：

【YOLOV8是啥？】

YOLOv8是Ultralytics的最新版本YOLO。作為最先進的 SOTA 模型，YOLOv8 建立在以前版本成功的基礎上，引入了新功能和改進，以增強性能、靈活性和效率。

【YOLOV8能干啥？有啥應用場景？】

有應用場景能幫我們更好的掌握這項技術哦，比如我就是從病蟲害檢測和敵我檢測開始入手學習的。
YOLOv8 支持全方位的視覺 AI 任務，包括檢測、分割、姿勢估計、跟蹤和分類。這種多功能性使用戶能夠在不同的應用程序和域中利用YOLOv8的功能。模型中只需要設定不同的訓練模型，就可以得到不同的檢測結果。

接下來進入教程了

一、環境準備

1、新建一個虛擬環境

在Anaconda Prompt里面輸入以下指令新建環境

conda create --name YOLOV8_1 python=3.9

上面代碼里的–name是新建的環境名稱，指定python版本為3.9，可按需更改

新建完成后，輸入以下代碼進入新建的虛擬環境

activate YOLOV8_1

2、配置第三方庫

在虛擬環境里輸入以下指令下載ultralytic庫和labelimg庫，其中調用YOLOV8在ultralytic庫，數據標注要用到labelimg庫

pip install ultralyticspip install labelimg

3、另外我們需要通過克隆倉庫到本地來獲得yolov8最新版本。

github地址：，鏈接直達

 https://github.com/ultralytics/ultralytics

4、下載一個預訓練模型包

github地址：，鏈接直達

https://github.com/ultralytics/assets/releases/tag/v8.2.0

網站上提供了s、m、l、x版本，逐漸增大（隨著架構的增大，訓練時間也是逐漸增大），模型下載好之后和你的代碼放在同級文件夾下

5、環境測試

環境準備到這里就差不多了，接下來執行代碼測試一下環境搭建是否成功

測試代碼

from ultralytics import YOLO
#加載模型，換成你自己的文件位置，圖片也一樣
model = YOLO(r"D:\YOLOV8\ultralytics-main\Self_Code\yolov8n.pt"
source=r"C:\Users\user2580185125\Desktop\yolov8博客\測試環境.png"
#進行預測并保存
model.predict(source, save=True, imgsz=640, conf=0.7)

測試效果展示

【原圖】

【效果圖】

這就代表你的環境搭建好了，我們要進入下一步驟了

二、數據集制作

我們測試的圖片數據來自游戲視頻，當然如果你有自己的圖片素材也可，爬蟲也可，我先錄屏自己玩游戲，之后用代碼把視頻幀提取出來作為我們的原始圖片，在這個上面去標注

①【視頻幀提取代碼】

import os
import cv2
import sys
import time
#遍歷指定目錄下所有的視頻，按照指定時間間隔截取視頻幀
def save_frame(time_in_sec, file_path):# 打開視頻文件cap = cv2.VideoCapture(file_path)# 獲取視頻的幀率fps = cap.get(cv2.CAP_PROP_FPS)# 獲取視頻的總幀數total_frames = int(cap.get(cv2.CAP_PROP_FRAME_COUNT))duration = total_frames / fpsnum = 0while(num < duration):num = num + time_in_sec# 計算指定時間對應的幀數frame_number = int(num * fps)# 設置視頻的當前幀cap.set(cv2.CAP_PROP_POS_FRAMES, frame_number)# 讀取當前幀ret, frame = cap.read()if ret:timestamp = int(time.time())  # 獲取當前時間戳save_path = f"image\\frame_{frame_number}_{timestamp}.jpg"# 保存當前幀為圖片cv2.imwrite(save_path, frame)print("保存成功：" + save_path)else:print("讀取視頻幀失敗")# 關閉視頻文件cap.release()def traverse_directory(directory):for root, dirs, files in os.walk(directory):for file in files:video_path = os.path.join(root, file)print(video_path)save_frame(2, video_path)
if __name__ == '__main__':# 遍歷當前目錄，這個換成自己的traverse_directory(r'D:\YOLOV8\ultralytics-main\Self_Code\視頻逐幀轉為圖片\video')print("運行成功")

代碼的同級文件夾下要新建一個image文件夾，用來存放圖片的，我沒寫判斷語句，沒有的話會報錯

②【圖片標注】

有了圖片我們就可以開始標注了，先激活虛擬環境，在虛擬環境中執行以下代碼打開標注軟件

labelimg

軟件打開之后是這樣的

在軟件左側選擇你需要打標簽的文件夾，記得文件格式選擇yolo格式，注意看圖片，都圈出來了，之后就可以盡情的標注了，標注好了一張圖片就保存一張，這一步比較費眼睛

③【切分數據集】

標注好的數據集需要切分為訓練、測試、驗證數據集，執行以下代碼進行一鍵切分，代碼中需要修改原數據集存放位置和保存位置，另外就是原圖片得放在一個images文件夾里面，不然會報錯

切分數據集代碼：

import os
import random
import shutil# 原數據集目錄
root_dir = r'D:\YOLOV8\ultralytics-main\Self_Code\視頻逐幀轉為圖片'
# 劃分比例
train_ratio = 0.8
valid_ratio = 0.1
test_ratio = 0.1# 設置隨機種子
random.seed(42)# 拆分后數據集目錄
split_dir = r'D:\YOLOV8\ultralytics-main\Self_Code\self_img'
os.makedirs(os.path.join(split_dir, 'train/images'), exist_ok=True)
os.makedirs(os.path.join(split_dir, 'train/labels'), exist_ok=True)
os.makedirs(os.path.join(split_dir, 'valid/images'), exist_ok=True)
os.makedirs(os.path.join(split_dir, 'valid/labels'), exist_ok=True)
os.makedirs(os.path.join(split_dir, 'test/images'), exist_ok=True)
os.makedirs(os.path.join(split_dir, 'test/labels'), exist_ok=True)# 獲取圖片文件列表
image_files = os.listdir(os.path.join(root_dir, 'images'))
image_files = [file for file in image_files if file[-3:] != 'txt']# 隨機打亂文件列表
# combined_files = list(zip(image_files, label_files))
combined_files = list(image_files)
random.shuffle(combined_files)
# image_files_shuffled, label_files_shuffled = zip(*combined_files)
image_files_shuffled = combined_files
# 根據比例計算劃分的邊界索引
train_bound = int(train_ratio * len(image_files_shuffled))
valid_bound = int((train_ratio + valid_ratio) * len(image_files_shuffled))# 將圖片和標簽文件移動到相應的目錄for i, image_file in enumerate(image_files_shuffled):label_file = f"{image_file.split('.')[0]}.txt"# 復制文件劃分數據集，可以將圖片和標簽放在同一個文件夾下if i < train_bound:shutil.copy(os.path.join(root_dir, 'images', image_file), os.path.join(split_dir, 'train/images', image_file))shutil.copy(os.path.join(root_dir, 'images', label_file), os.path.join(split_dir, 'train/labels', label_file))elif i < valid_bound:shutil.copy(os.path.join(root_dir, 'images', image_file), os.path.join(split_dir, 'valid/images', image_file))shutil.copy(os.path.join(root_dir, 'images', label_file), os.path.join(split_dir, 'valid/labels', label_file))else:shutil.copy(os.path.join(root_dir, 'images', image_file), os.path.join(split_dir, 'test/images', image_file))shutil.copy(os.path.join(root_dir, 'images', label_file), os.path.join(split_dir, 'test/labels', label_file))print('執行完成')

切分好的文件夾層級是這樣的

圖片

標簽

三、訓練文件配置

新建一個yaml配置文件，放在訓練代碼的同級文件夾下，我這里隨便取個名字叫cat.yaml,修改里面的文件存放地址，改成你自己的文件地址，names那里你有幾個類就寫幾個類，往下加或者減，按照格式來就行

新建配置文件代碼：

# 和平精英
train: D:\YOLOV8\ultralytics-main\Self_Code\self_img\train
val: D:\YOLOV8\ultralytics-main\Self_Code\self_img\valid
test: D:\YOLOV8\ultralytics-main\Self_Code\self_img\test# Classes
names:0: enemy1: self2: team3: jilifu

另外還需要去修改你預訓練模型的配置文件，這個文件是你在github那里下載下來的，圖片里圈的很詳細怎么找，我用的是yolov，就要去D:\YOLOV8\ultralytics-main\ultralytics\cfg\models\v8文件夾修改yolov8.yaml文件夾，主要是改nc，你有幾個類別就改成幾我復制了一份文件，改的復制文件的內容，這樣下次還能找著源文件

好，準備工作結束，即將開始訓練

四、開始訓練

訓練有兩種方式，一種是命令行訓練，一種是代碼訓練，我個人更傾向代碼訓練，這樣方便我找訓練好的權重文件，這里兩種方式都給出了

方法一：命令行訓練

yolo task=detect mode=train model=yolov8n.yaml data=cat.yaml epochs=300 batch=1

以上參數解釋如下：

• task：選擇任務類型，可選[‘detect’, ‘segment’, ‘classify’, ‘init’]

• mode: 選擇是訓練、驗證還是預測的任務蕾西 可選[‘train’, ‘val’, ‘predict’]

• model:
  選擇yolov8不同的模型配置文件，可選yolov8s.yaml、yolov8m.yaml、yolov8l.yaml、yolov8x.yaml

• data: 選擇生成的數據集配置文件

• epochs：指的就是訓練過程中整個數據集將被迭代多少次,顯卡不行你就調小點。

• batch：一次看完多少張圖片才進行權重更新，梯度下降的mini-batch,顯卡不行你就調小點

方法二：代碼訓練

from ultralytics import YOLOif __name__ == '__main__':model = YOLO(r'D:\YOLOV8\ultralytics-main\ultralytics\cfg\models\v8\yolov8_test.yaml')model.train(model=r'D:\YOLOV8\ultralytics-main\Self_Code\yolov8n.pt',data=r'D:\YOLOV8\ultralytics-main\Self_Code\cat.yaml', epochs=300 , imgsz=640, batch=1, workers=0,pretrained=False, save_dir=r"D:\YOLOV8\ultralytics-main\Self_Code")

是不是很簡單

訓練開始了

靜靜等待訓練結束，看看損失函數

因為我這訓練集只有58張圖片，訓練了300個epoch，明顯是不夠的，檢測自己是大概率能檢測出來，敵人和隊友目前檢測效果不是很好

五、實時檢測

代碼：

import cv2
from ultralytics import YOLO# 加載YOLOv8模型
model = YOLO(r'D:\YOLOV8\ultralytics-main\Self_Code\runs\detect\train5\weights\best.pt')# 打開視頻文件
video_path = r"C:\Users\user2580185125\Desktop\5月11日.mp4"
cap = cv2.VideoCapture(video_path)# 循環遍歷視頻幀
while cap.isOpened():# 從視頻讀取一幀success, frame = cap.read()if success:# 在幀上運行YOLOv8追蹤，持續追蹤幀間的物體results = model.track(frame, persist=True)# 輸出每次追蹤推理結果的boxes，這些參數實際上是和模型直接predict類似的。print(results[0].boxes)# 在幀上展示結果annotated_frame = results[0].plot()# 展示帶注釋的幀cv2.imshow("YOLOv8 Tracking", annotated_frame)# 如果按下'q'則退出循環if cv2.waitKey(1) & 0xFF == ord("q"):breakelse:# 如果視頻結束則退出循環break# 釋放視頻捕獲對象并關閉顯示窗口
cap.release()
cv2.destroyAllWindows()

接下來把我們訓練好的模型拿來跑一跑實時檢測，發現欠缺的地方還蠻多的，如果擴充訓練集和epoch，模型效果應該會更好

六、模型推理，pt轉換成onnx模型

ONNX的主要優勢包括：

• 框架無關性：ONNX允許開發者在PyTorch、TensorFlow、Caffe2等多個流行框架之間自由轉換模型。

• 優化和加速：ONNX提供了一套優化工具，可以減少模型的大小并提高執行效率，特別是在不同硬件上部署時。

• 廣泛的支持：從云計算服務到邊緣設備，ONNX都能提供良好的支持，使得模型部署變得更加靈活和廣泛。

推理代碼：

from ultralytics import YOLO
model = YOLO(r"D:\YOLOV8\ultralytics-main\Self_Code\runs\detect\train\weights\best.pt")
success = model.export(format="onnx", simplify=True)  # export the model to onnx format
assert success
print("轉換成功")

七、源碼

源碼全部公開，感興趣的朋友可以繼續開發

源碼鏈接：

百度云盤鏈接

鏈接：https://pan.baidu.com/s/1Ci5Fpx4iBXRphQhhyR4Sig 
提取碼：dp18