YOLOv8/README.MD

训练自己的YOLOv8模型

准备数据集

安装 LabelImg

在命令提示符中输入以下命令：

pip install labelimg -i https://pypi.tuna.tsinghua.edu.cn/simple

等待安装完成

运行

labelimg

启动之后界面长这样

设置自动保存

labelimg的常用快捷键（熟练使用快捷键，提高效率）

快捷键	功能
W	画框（创建或编辑标签框）
D	切换到下一张图片
A	切换到上一张图片
CTRL+Q	退出LabelImg
CTRL+S	保存当前图片的标签
Delete	删除当前选中的标签框

开始标注

• 点击Open Dir 选择原图片所在文件夹

• 点击Change Save Dir 选择存储位置

• 使用快捷键，开始标注，左侧将格式设置成yolo

将标注好的数据集按照指定路径放置

训练YOLOv8模型

• 由于本地安装cuda较为麻烦，这里不做介绍，本文将使用腾讯云算力平台

登录并进入腾讯云高性能应用服务 HAI

创建实例

• 可选用预装了cuda的Pytorch，算力方案越贵，训练速度越快，普通1.2元/时的也够用了。

• 创建实例之后，选择CloudStudio进入后台

• 在终端安装yolo环境，克隆训练程序，上传数据集

• 使用国内服务器时候可使用清华源加速

pip install ultralytics -i https://pypi.tuna.tsinghua.edu.cn/simple

• 使用国外服务器时候可直接

pip install ultralytics

• 安装libGL.so.1 库

sudo apt-get update
sudo apt-get install libgl1-mesa-glx

• 环境安装完成后，克隆此训练代码

git clone http://gitea.qutcmrt.top/Robofish/YOLOv8.git

• 上传刚刚准备好的数据集datasets

• 修改yolo.yaml的内容，直接复制绝对路径。

开始训练

yolo train data=yolo.yaml model=yolov8n.pt epochs=300 imgsz=640 batch=8 workers=0 device=0

• 其中 data=YOLO.yaml 修改为实际yaml路径，model=yolov8n.pt修改为模型路径（按照教程走不用修改）
• 如果使用cpu训练，修改device='cpu',如果想使用多卡训练，device='\0,1,2,xxx'

结束训练

• 训练完成的模型将位于 ' runs\detect\train\weights '

• 右键下载，即可将训练好的模型下载到本地。

测试模型

• 在安装了ultralytics的电脑中，运行scripts文件夹中的track_test.py,修改模型和摄像头。

常见问题

LabelImg无法标注，闪退

• 路径不能有中文
• 请使用python3.9（推荐使用anconda）

使用yolov8n 但是下载的是yolo11n

• 删除文件夹里的yolov8n.pt即可。（其实可以直接用11了，速度更快，效果更好）