芒果YOLOv8改进：提升篇：从零开始训练 YOLOv8最新稳定8.1版本教程说明，适用Mac、Windows、Linux端

从零开始训练 YOLOv8 - 最新8.1版本教程说明

本文适用Windows/Linux/Mac：从零开始使用Windows/Linux/Mac训练 YOLOv8 算法项目

《芒果 YOLOv8 目标检测算法改进》 适用于芒果专栏改进 YOLOv8 算法

文章目录

- - 官方 YOLOv8 算法
  - 第一步配置环境
  - - 1.1 系列配置
    - 1.2 代码执行
  - 第二步新建&训练脚本
  - 第三步运行训练
  - 第四步新建&推理脚本
  - 第五步训练实验

官方 YOLOv8 算法

第一步配置环境

首先点击这个链接 https://github.com/ultralytics/ultralytics/tree/v8.1.0

按下图下载一下项目文件

在这里插入图片描述

1.1 系列配置

在项目下面新建一个requirements.txt文件

# Ultralytics requirements
# Example: pip install -r requirements.txt

# Base ----------------------------------------
matplotlib>=3.3.0
numpy>=1.22.2 # pinned by Snyk to avoid a vulnerability
opencv-python>=4.6.0
pillow>=7.1.2
pyyaml>=5.3.1
requests>=2.23.0
scipy>=1.4.1
torch>=1.8.0
torchvision>=0.9.0
tqdm>=4.64.0

# Logging -------------------------------------
# tensorboard>=2.13.0
# dvclive>=2.12.0
# clearml
# comet

# Plotting ------------------------------------
pandas>=1.1.4
seaborn>=0.11.0

# Export --------------------------------------
# coremltools>=7.0  # CoreML export
# onnx>=1.12.0  # ONNX export
# onnxsim>=0.4.1  # ONNX simplifier
# nvidia-pyindex  # TensorRT export
# nvidia-tensorrt  # TensorRT export
# scikit-learn==0.19.2  # CoreML quantization
# tensorflow>=2.4.1,<=2.13.1  # TF exports (-cpu, -aarch64, -macos)
# tflite-support
# tensorflowjs>=3.9.0  # TF.js export
# openvino-dev>=2023.0  # OpenVINO export

# Extras --------------------------------------
psutil  # system utilization
py-cpuinfo  # display CPU info
thop>=0.1.1  # FLOPs computation
# ipython  # interactive notebook
# albumentations>=1.0.3  # training augmentations
# pycocotools>=2.0.6  # COCO mAP
# roboflow

1.2 代码执行

打开目录下的控制台执行

pip install -r requirements.txt

第二步新建&训练脚本

在主目录下，新建一个train-yolov8.py文件, 新增以下代码

import sys
# 绝对路径
sys.path.append(r'/Users/GitHub/Study/ultralytics') 
from ultralytics import YOLO
# 网络配置路径
model = YOLO(r'ultralytics/cfg/models/v8/yolov8.yaml') 

model.info()

# 训练的一些参数，其他参数按需添加
results = model.train(data='coco128.yaml', 
                      epochs=100, 
                      imgsz=640, 
                      workers=0, 
                      batch=2
                      )

第三步运行训练

使用以下命令训练即可

python train-yolov8.py

第四步新建&推理脚本

import sys
# 绝对路径
sys.path.append(r'/Users/GitHub/Study/ultralytics') 
from ultralytics import YOLO
# 网络配置路径
model = YOLO(r'yolov8s.pt') 

model.info()
# 训练的一些参数，其他参数按需添加
results = model('path/to/bus.jpg') # 这里可添加参数