共计 2985 个字符，预计需要花费 8 分钟才能阅读完成。
导读
- YOLOv8 是什么（任务谱系与模型家族）
- 环境准备（Python/ 虚拟环境 /GPU 驱动要点）
- 安装与自检（Ultralytics/ 依赖 / 版本核对）
- 最小可运行：3 条命令跑通推理 / 训练 / 验证
- 数据与标注格式（YOLO txt + 数据集 YAML）
- 常用命令速查（CLI 与 Python API）
- 导出与部署（ONNX/TensorRT/CoreML/OpenVINO）
- 复现与监控（随机种子、日志、可视化）
- 常见报错与排查
- 练习与下一课预告
1) YOLOv8 是什么
- 任务类型：
detect目标检测（方框）；segment实例分割（像素级）；pose关键点；classify图像分类。
- 模型家族（参数从小到大，速度↔精度权衡）：
n（nano）<s<m<l<x。入门 / 边缘用yolov8n/s，精度优先用m/l/x。 - 特性速记：
- 多任务同一套 API；
- Anchor-free 头（默认）+ 解耦头；
- 训练 / 推理 / 验证 / 导出一体化。
2) 环境准备
2.1 Python 与虚拟环境
# 选择你喜欢的位置
python3 -m venv .venv
source .venv/bin/activate # Windows: .venv\\Scripts\\activate
python -m pip install --upgrade pip
2.2 GPU（可选）
- NVIDIA：确保 CUDA + 驱动 与所装 PyTorch 版本匹配；验证：
nvidia-smi。无 GPU 时自动走 CPU。 - macOS（Apple Silicon）：可用 CPU 或 MPS（Metal），速度较 GPU 慢但能跑通。
- Windows：推荐原生或 WSL2；注意路径与权限。
3) 安装与自检
pip install ultralytics # 安装 YOLOv8 套件
# 可选：安装匹配你平台的 PyTorch（见 PyTorch 官网指引），否则 ultralytics 会拉 CPU 版
自检：
yolo checks # 打印环境、Python、PyTorch/CUDA 等版本信息
看到 checks: ✅、设备列表与版本号即通过。
4) 最小可运行（3 条命令）
下面以检测任务
yolov8n.pt为例。第一次运行会自动下载权重与样例。
1) 推理（单图像 / 目录 / 摄像头）
yolo predict model=yolov8n.pt source=ultralytics/assets/bus.jpg # 单图像
# 目录：source=path/to/images；摄像头：source=0
输出在 runs/predict/exp*/，含标注框的可视化图片 / 视频。
2) 训练（用内置样例数据 COCO128）
yolo train model=yolov8n.pt data=coco128.yaml epochs=3 imgsz=640 batch=16
训练日志与权重保存在 runs/detect/train*。
3) 验证（评估指标 mAP/Precision/Recall）
yolo val model=runs/detect/train*/weights/best.pt data=coco128.yaml
评估关注：
mAP50与mAP50-95（越高越好），推理速度（ms/img），参数量（params）与 GFLOPs。
5) 数据与标注格式
5.1 YOLO 标签（*.txt）
每张图一个同名 .txt 文件，一行一个目标：
<class_id> <x_center> <y_center> <width> <height>
- 位置均为 相对比例（0–1），相对图像宽高；
- 例：
0 0.512 0.433 0.210 0.180。
5.2 目录结构示例
datasets/dogs-vs-cats/
images/
train/ ...jpg
val/ ...jpg
labels/
train/ ...txt
val/ ...txt
5.3 数据集 YAML（自定义）
# dogs_cats.yaml
path: datasets/dogs-vs-cats
train: images/train
val: images/val
nc: 2
names: [dog, cat]
训练命令：
yolo train model=yolov8n.pt data=dogs_cats.yaml epochs=50 imgsz=640
6) 常用命令速查
- 推理：
yolo predict model=*.pt source=... conf=0.25 device=0 save=True show=False - 训练：
yolo train model=*.pt data=*.yaml epochs=100 imgsz=640 batch=auto device=0,1 workers=8 - 验证：
yolo val model=*.pt data=*.yaml split=val - 继续训练：
yolo train resume=True（或指定model=.../last.pt） - 可视化：
yolo settings查看 / 修改默认设置；tensorboard --logdir runs/打开曲线 - Python API：
from ultralytics import YOLO
model = YOLO('yolov8n.pt')
model('ultralytics/assets/bus.jpg') # 推理
model.train(data='coco128.yaml', epochs=3) # 训练
metrics = model.val() # 验证
7) 导出与部署
一条命令导出多种部署格式：
yolo export model=best.pt format=onnx opset=12 dynamic=True
# 还可选：engine(TensorRT) / coreml / openvino / tflite / torchscript 等
- ONNX：跨框架推理，适合服务器 / 跨语言；
- TensorRT：NVIDIA GPU 高性能部署；
- CoreML：iOS/macOS；
- OpenVINO：Intel CPU/ 集成显卡加速。
8) 复现与监控
- 随机种子：
yolo train ... seed=42； - 确定性（可能降速）：
yolo train ... deterministic=True； - 日志：
runs/目录；可选接入 W&B/MLflow 进行在线记录； - 资源：GPU 显存不足时减小
imgsz或batch，启用device=cpu作为退路。
9) 常见报错与排查
CUDA out of memory：减小imgsz/batch；关闭其他占用 GPU 的进程；或切 CPU。No module named 'ultralytics'：确认虚拟环境已激活；pip show ultralytics。torch not compiled with CUDA：当前 PyTorch 为 CPU 版；按平台重新安装 GPU 版。- 标注错位：确认标签坐标为 归一化，且与图像对应；类别 ID 必须从 0 开始连续编号。
10) 练习（建议 30–45 分钟）
- 完成环境自检：创建虚拟环境 →
pip install ultralytics→yolo checks。 - 用
yolov8n.pt对ultralytics/assets/bus.jpg运行推理，并查看runs/predict/exp/输出。 - 在 CPU 或 GPU 上用
coco128.yaml训练 3 个 epoch，观察mAP50变化与可视化曲线。 - 导出
best.pt为ONNX，加载到你喜欢的推理框架测试一张图（可选）。 - 自建一个 2 类玩具集（10 张 / 类），写出 YAML，并成功启动训练（跑到 5 个 epoch 即可）。
正文完
