ailearn

目标检测实战 - YOLOv8

掌握YOLOv8目标检测，实现自定义数据集训练

1 分钟读完 #AI#计算机视觉#目标检测#YOLO
访问-- 赞-- 踩--

前置知识：需要先掌握 CNN基础

本文重点：YOLOv8使用与自定义训练

一、YOLOv8入门

1.1 安装与推理

# 安装
# pip install ultralytics
from ultralytics import YOLO
# 加载预训练模型
model = YOLO('yolov8n.pt')  # nano版本
# 目标检测
results = model('image.jpg')
# 显示结果
results[0].show()
# 获取检测信息
for result in results:
    boxes = result.boxes
    for box in boxes:
        x1, y1, x2, y2 = box.xyxy[0].cpu().numpy()
        conf = box.conf[0].cpu().numpy()
        cls = box.cls[0].cpu().numpy()
        class_name = model.names[int(cls)]
        
        print(f"类别: {class_name}, 置信度: {conf:.2f}")

1.2 模型版本对比

YOLOv8模型对比：
模型      参数量    mAP    速度(FPS)
───────────────────────────────────
yolov8n    3.2M    37.3    高(最快)
yolov8s    11.2M   44.9    较高
yolov8m    25.9M   50.2    中等
yolov8l    43.7M   52.9    较低
yolov8x    68.2M   53.9    低(最慢)

二、视频检测

# 视频文件检测
results = model.track('video.mp4', show=True, save=True)
# 摄像头实时检测
import cv2
cap = cv2.VideoCapture(0)
while cap.isOpened():
    ret, frame = cap.read()
    if not ret:
        break
    
    results = model(frame)
    annotated_frame = results[0].plot()
    cv2.imshow('YOLOv8', annotated_frame)
    
    if cv2.waitKey(1) & 0xFF == ord('q'):
        break
cap.release()
cv2.destroyAllWindows()

三、自定义数据集训练

3.1 数据准备

# dataset.yaml 配置文件
path: ./datasets/my_dataset
train: images/train
val: images/val
nc: 3  # 类别数量
names:
  0: cat
  1: dog
  2: bird

3.2 训练模型

from ultralytics import YOLO
model = YOLO('yolov8n.pt')
results = model.train(
    data='dataset.yaml',
    epochs=100,
    imgsz=640,
    batch=16,
    device='cuda'
)
# 验证
metrics = model.val()
print(f"mAP50: {metrics.box.map50}")
# 导出模型
model.export(format='onnx')

四、目标跟踪

# 视频目标跟踪
results = model.track(
    'video.mp4',
    show=True,
    tracker='botsort.yaml'
)
# 获取跟踪ID
for result in results:
    boxes = result.boxes
    if boxes.id is not None:
        track_ids = boxes.id.int().cpu().tolist()

五、实例分割

# 使用YOLOv8-seg模型
model = YOLO('yolov8n-seg.pt')
results = model('image.jpg')
# 获取分割掩码
for result in results:
    if result.masks is not None:
        masks = result.masks.data.cpu().numpy()

参考资源

返回：计算机视觉基础 最后更新: 2026年4月20日

访问 --

讨论与反馈