mac环境训练自己的数据集，这训练时间可闹心了，500张素材，训练400轮，训练了12个小时，才训练100轮，这时间真真是太久了，所以找一台闲置的Windows电脑试试,。弄完发现跟电脑没关系，跟cpu，还是gpu有关系，看样子，后面还得找一台可以gpu训练的机器试试。

概要步骤

环境安装，python及YOLOv8安装数据准备，准备和标注自己的数据集训练模型，修改配置并开始训练自己的数据集目标检测，图片或视频检测目标

环境安装

这台Windows电脑没有python环境，所以得先安装python环境

下载python安装包，要注意版本，这里我下载了python3.8.10版本，试过python3.11.2版本，但后面与yolo依赖的torch库冲突了。官网下载：Download Python | Python.org下载完成后，点击安装，记得勾选pip和添加环境变量哪个选项验证是否安装成功，终端输入python，若显示了版本号并进入了一个交互模式，说明安装成功了.要替换镜像源，不然安装依赖实在是慢。

安装完python环境后，就可以按照下面的步骤继续按照yolo环境了。

# 初次安装python, 记得要配置下安装源。windows10环境python更改pip全局源为清华镜像源，终端输入下面命令就可以了 pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple # 重启终端，然后看安装速度，可以见到速度有个很大的提升。 # 镜像源替换后，然后再装yolo环境就比较快了。 # yolo环境安装 yolov8发布之后，环境安装非常简单，就下面一句话就行，python版本>=3.7 pip install ultralytics # 判断是否安装成功, 终端输入如下命令，若有版本号输出说明安装成功 yolo -v # 注意，安装过程中，可能会出现一些错误，所以需要留意飘红的提示，按照提示去搜索解决问题

数据准备

创建工作目录，后面都在这个目录下操作，后面的数据，配置数据文件，模型配置文件都在这个目录下， 我的工作目录为：F:\yolov8数据集的准备和标注，弄完之后，按比例分配训练(0.7)、验证(0.2)、测试(0.1)数据集。（这里不细说了，用labelimg标注就好，支持yolo格式的）修改修改数据配置mydata.yaml，这里我是拷贝了官方训练样例coco128.yaml，然后修改了path,train,val,test和Classes，完整配置如下：# Ultralytics YOLO , GPL-3.0 license # COCO128 dataset https://www.kaggle.com/ultralytics/coco128 (first 128 images from COCO train2017) by Ultralytics # Example usage: python train.py –data coco128.yaml # parent # ├── yolov5 # └── datasets # └── coco128 ← downloads here (7 MB) # Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..] path: F:\yolov8\kobe_dataset # dataset root dir train: images\train # train images (relative to path) 128 images val: images\val # val images (relative to path) 128 images test: images\test # test images (optional) # Classes names: 0: kobe

修改模型配置yolov8n_mymodel.yaml，这里我是拷贝了官方的yolov8n.yaml模型配置，修改了nc, 其它没动，完整配置如下：

# Ultralytics YOLO , GPL-3.0 license # Parameters nc: 1 # number of classes depth_multiple: 0.33 # scales module repeats width_multiple: 0.25 # scales convolution channels # YOLOv8.0n backbone backbone: # [from, repeats, module, args] – [-1, 1, Conv, [64, 3, 2]] # 0-P1/2 – [-1, 1, Conv, [128, 3, 2]] # 1-P2/4 – [-1, 3, C2f, [128, True]] – [-1, 1, Conv, [256, 3, 2]] # 3-P3/8 – [-1, 6, C2f, [256, True]] – [-1, 1, Conv, [512, 3, 2]] # 5-P4/16 – [-1, 6, C2f, [512, True]] – [-1, 1, Conv, [1024, 3, 2]] # 7-P5/32 – [-1, 3, C2f, [1024, True]] – [-1, 1, SPPF, [1024, 5]] # 9 # YOLOv8.0n head head: – [-1, 1, nn.Upsample, [None, 2, nearest]] – [[-1, 6], 1, Concat, [1]] # cat backbone P4 – [-1, 3, C2f, [512]] # 12 – [-1, 1, nn.Upsample, [None, 2, nearest]] – [[-1, 4], 1, Concat, [1]] # cat backbone P3 – [-1, 3, C2f, [256]] # 15 (P3/8-small) – [-1, 1, Conv, [256, 3, 2]] – [[-1, 12], 1, Concat, [1]] # cat head P4 – [-1, 3, C2f, [512]] # 18 (P4/16-medium) – [-1, 1, Conv, [512, 3, 2]] – [[-1, 9], 1, Concat, [1]] # cat head P5 – [-1, 3, C2f, [1024]] # 21 (P5/32-large) – [[15, 18, 21], 1, Detect, [nc]] # Detect(P3, P4, P5)

训练模型

开始训练模型，在终端执行如下命令就可以了。

# 训练模型，注意youdata.yaml 和 yolov8n_youmodel.yaml 要替换自己的 yolo detect train data=mydata.yaml model=yolov8n_mymodel.yaml epochs=400 # 训练这一步是漫长的… # 等训练完，就可以进行下一步目标检测测试了

目标检测

目标检测测试的代码，官方就已经提供了，你只需要改改路径就行，完整代码如下：

from ultralytics import YOLO from PIL import Image # 注意模型路径：训练完成后, best.pt的路径，这个我是把best.pt拷贝到当前目录了 model = YOLO(“best.pt”) # 检测视频中的目标: target_video.mp4替换你自己要测试的视频 model.predict(source=“target_video.mp4”, show=True) # Display preds. Accepts all YOLO predict arguments # 检测图标中的目标： target_pic替换你自己要测试的图片 im1 = Image.open(“target_pic.jpg”) model.predict(source=im1, save=True) # save plotted images