YOLOv8 实战：从训练到部署的全流程

FreeGuideOnline 最新 2026-06-20

YOLOv8 实战：从训练到部署的全流程

概述

本教程将带你从零开始，完成一个完整的 YOLOv8 目标检测项目。你将学会配置环境、准备数据、训练模型、评估效果，并最终将模型导出用于实际部署。整个过程使用 Ultralytics 官方库，简洁高效，适合初学者快速上手。

环境搭建

安装 Python 与虚拟环境

建议使用 Python 3.8 或以上版本，并创建独立的虚拟环境以避免依赖冲突。

# 创建虚拟环境
python -m venv yolov8_env
# 激活环境 (Windows: yolov8_env\Scripts\activate)
source yolov8_env/bin/activate

安装 YOLOv8

Ultralytics 提供了开箱即用的 ultralytics 包，一步安装即可。

pip install ultralytics

该命令会自动安装所有依赖，包括 torch, opencv-python, matplotlib 等。如需 GPU 支持，请确认已安装正确的 CUDA 版本对应的 PyTorch。

数据集准备

标准数据集格式

YOLOv8 使用 YOLO 格式标注。目录结构如下：

datasets/
└── my_data/
    ├── images/
    │   ├── train/
    │   └── val/
    ├── labels/
    │   ├── train/       # 每张图片对应一个 .txt 标注文件
    │   └── val/
    └── data.yaml        # 数据集配置文件

标注文件（labels/*.txt）中每一行对应一个目标，格式为：

<类别id> <中心点x> <中心点y> <宽> <高>

所有坐标均为归一化到 0~1 之间的浮点数。

data.yaml 示例

path: ../datasets/my_data  # 数据集根目录，相对路径或绝对路径
train: images/train         # 训练图片相对路径
val: images/val             # 验证图片相对路径

names:
  0: person
  1: car
  2: dog

使用公共数据集

如果没有自制数据集，可以先用公开数据集体验。Ultralytics 提供了自动下载 COCO128 等数据集的功能，训练时指定 model.train(data='coco128.yaml', ...) 即可自动下载。

训练模型

从预训练权重开始

YOLOv8 提供多种尺寸的预训练模型（n/s/m/l/x）。以 YOLOv8n（nano）为例，训练命令如下：

from ultralytics import YOLO

# 加载预训练模型（首次运行会自动下载）
model = YOLO('yolov8n.pt')

# 开始训练
results = model.train(
    data='path/to/your/data.yaml',  # 数据集配置文件
    epochs=50,                      # 训练轮数
    imgsz=640,                      # 输入图像大小
    batch=16,                       # 批量大小（根据显存调整）
    name='yolov8_custom',           # 保存结果的文件夹名称
)

训练过程中，终端会实时显示损失值及 mAP 指标。训练完成后，权重文件会保存在 runs/detect/yolov8_custom/weights/ 目录下。

常用训练参数说明

  • device：选择设备，0 表示第一块 GPU，cpu 表示使用 CPU，'0,1' 表示多 GPU。
  • workers：数据加载线程数，建议根据 CPU 核心数设置。
  • optimizer：优化器，可选 'SGD', 'Adam', 'AdamW'。
  • cos_lr：是否使用余弦退火学习率。
  • patience：早停轮数，用于防止过拟合。

验证与测试

模型评估

metrics = model.val(data='data.yaml', split='val')
print(metrics.box.map)    # mAP50-95
print(metrics.box.map50)  # mAP50

在单张图片或视频上预测

# 图片推理
results = model('path/to/image.jpg', save=True, show=True)

# 视频推理
results = model('path/to/video.mp4', save=True, stream=True)

# 显示检测结果
for r in results:
    r.show()   # 显示带框图片
    r.save()   # 保存到 runs/detect/predict

模型导出与部署

导出为多种格式

YOLOv8 可以导出为 ONNX、TensorRT、CoreML 等多种格式，方便在不同平台部署。

model.export(format='onnx', imgsz=640)  # 导出 ONNX
# 支持格式：'onnx', 'engine' (TensorRT), 'coreml', 'tflite', 'pb' 等

导出后会在同目录下生成对应的文件，例如 yolov8n.onnx。

ONNX 推理示例

使用 ONNX Runtime 加载导出模型进行推理：

import onnxruntime as ort
import numpy as np

session = ort.InferenceSession('yolov8n.onnx')
input_name = session.get_inputs()[0].name

# 假设已经将图片预处理成 (1,3,640,640) 的数组
input_blob = np.random.randn(1, 3, 640, 640).astype(np.float32)
outputs = session.run(None, {input_name: input_blob})
# outputs 即为检测结果，需后处理解析

TensorRT 加速（GPU 部署）

# 在支持 TensorRT 的环境中，可直接导出为 .engine 文件
model.export(format='engine', device=0)

然后使用 TensorRT 运行时加载，可获得极高的推理速度，适合边缘端 GPU 设备。

常见问题与技巧

  • 显存不足：减小 batch 大小或 imgsz，使用 device='cpu' 或混合精度训练（amp=False 关闭可选）。
  • 标注格式转换：如果不熟悉 YOLO 格式，可使用 Roboflow、LabelImg 等工具辅助标注和转换。
  • 自定义数据增强：在 data.yaml 中增加 augment 参数，或在训练时通过 hyp 参数传递超参数字典。
  • 训练中断恢复：model.train(resume=True) 会自动加载最近的检查点继续训练。

总结

通过本教程，你已掌握 YOLOv8 从数据准备、模型训练、评估到导出部署的完整流程。YOLOv8 的简洁 API 大幅降低了目标检测的门槛，你可以快速在自定义场景中构建高性能检测系统。开始动手实践吧！