?步驟一：安裝 PyTorch（M1 專用）

# 推薦使用官方 MPS 后端（Apple Metal 加速）

pip install torch torchvision torchaudio

確認是否使用了 Apple MPS：

import torch 
print(torch.backends.mps.is_available())

# True 表示支持

---

? 步驟二：安裝 OpenCV（預編譯版）

pip install opencv-python==4.8.0.76 

?

如仍失敗，可以降級到更穩定的版本：

?

pip install opencv-python==4.6.0.66 

?

?

?

---

? 步驟三：安裝 Ultralytics（YOLOv8）

這個會去依賴opencv

pip install ultralytics --no-binary opencv-python

或者，使用無依賴模式（跳過 OpenCV 的再次依賴）：

pip install ultralytics --no-deps 

?

---

? 步驟四：驗證安裝

yolo version 

?

如果輸出了版本號（如 Ultralytics YOLOv8.1.26 等）說明一切正常。

?

---

? 測試 YOLOv8 是否能跑起來

你可以運行一個簡單的預測命令測試模型：

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

這會下載一個圖片并進行目標檢測，自動彈出預測窗口（或保存預測圖像）。

🔧 1、識別人物-整體流程總覽

1. 準備數據集（圖像 + 標注）

2. 數據集格式轉換（轉為 YOLO 格式）

3. 安裝 YOLOv8（ultralytics）

4. 配置訓練參數（模型、類別、路徑）

5. 開始訓練

6. 驗證和測試

7. 部署使用

🧩 2、每一步分模塊詳解

---

📁 1. 數據采集與標注（圖像和標注文件）

需要采集圖像并對目標進行手動標注。

? 推薦免費標注工具（支持導出為 YOLO 格式）：

工具名	平臺	特點說明
LabelImg	Windows / Mac / Linux	本地運行，輕量，支持 Pascal VOC 和 YOLO 格式
Roboflow	在線工具	免費計劃支持上傳圖像、標注、自動轉換格式
Labelme	Python 工具	支持多邊形標注，也可導出為 COCO 格式
CVAT	在線部署或本地部署	適合大規模標注，功能強大，支持團隊協作

👉 建議初學者使用 LabelImg 或 Roboflow，操作直觀，輸出格式直接支持 YOLO。

🔄 2. 轉換數據集為 YOLO 格式

YOLO 格式標注樣例如下（txt 文件）：0 0.5 0.5 0.2 0.3

格式說明：

[class_id] [x_center] [y_center] [width] [height]

都是相對坐標（比例，相對于圖片大小）。

如果你標注格式不是 YOLO，需要轉換，比如從 VOC / COCO → YOLO，可以使用：

• Roboflow 自動轉換

• labelme2yolo 工具

• roboflow python 工具包

?

📁 3、 roboflow標注（圖像和標注文件）

?

可以搜索教程怎么標記要訓練的數據

??3、開始訓練識別和平精英人物識別

🔧 model.train() 常用參數解析

參數	類型	說明
data	str	數據集配置文件路徑（例如 data.yaml）
epochs	int	訓練輪數（epoch 數）
imgsz	int 或 tuple	輸入圖片尺寸，默認 640（可為整數或 (h,w) 元組）
batch	int	每批訓練的圖像數量，默認 16
device	int 或 str	使用的設備，例如 '0'（GPU0）、'cpu' 或 '0,1'
save	bool	是否保存模型（默認 True）
exist_ok	bool	是否允許覆蓋已有運行目錄
resume	bool	是否從上次訓練中斷處恢復
patience	int	如果驗證指標在這么多 epoch 內不再提升，則提前停止訓練（默認 50）
optimizer	str	選擇優化器：SGD、Adam、AdamW（默認 SGD）
lr0	float	初始學習率（默認 0.01）
lrf	float	最終學習率與初始學習率的比值（默認 0.01）
momentum	float	動量參數（僅用于 SGD）
weight_decay	float	權重衰減（默認 0.0005）
workers	int	數據加載線程數（建議 0 或 2~8）
pretrained	bool 或 str	使用預訓練模型（True 或權重路徑）
project	str	日志文件保存路徑
name	str	本次運行的名稱，結果將保存在 runs/train/name/ 下
verbose	bool	顯示更多訓練信息
seed	int	設置隨機種子以保證復現性

?

📌 數據集配置文件（data.yaml）結構：

from ultralytics import YOLO# 加載模型
model = YOLO("/Users/lianying/Desktop/yolo/yolov8n.pt")  # 你的模型路徑# 開始訓練
model.train(data="/Users/lianying/Desktop/yolo/pubg mobile.v2i.yolov8/data.yaml",  # data.yaml路徑epochs=2,imgsz=640
)

?在使用 YOLOv8（如 Ultralytics YOLOv8）訓練模型后，輸出目錄（通常是 runs/detect/train）中會生成兩個主要的模型文件：

? best.pt

• 含義：在訓練過程中，在驗證集上表現最好的模型（通常指 mAP 值最高）。

• 用途：用于部署或實際推理時的首選模型。

• 保存時機：每輪訓練后都會驗證一次性能，若當前 mAP 更優于之前所有輪次，就保存為 best.pt。

---

? last.pt

• 含義：訓練最后一輪保存的模型。

• 用途：

  • 若訓練中斷，可以從 last.pt 恢復繼續訓練；

  • 如果對 best.pt 不滿意，也可以嘗試 last.pt。

---

🛠?選擇哪個用于推理？

文件名	適用場景	建議
best.pt	精度優先的推理部署	? 推薦使用
last.pt	繼續訓練、對比測試	可選（不推薦部署）

?

🛠?加載方式

使用 YOLO 類加載模型：

from ultralytics import YOLOmodel = YOLO("runs/detect/train/weights/best.pt")  # 加載最優模型

?

?