YOLOv8模型训练

YOLOv8官方文档：文档地址

一、YOLO标签格式说明

每张图片对应一个 .txt 文件
每一行代表一个目标框：
Terminal window
```
class_id x y w h
```
字段说明：
- class_id：类别编号
- x：中心点x（归一化）
- y：中心点y（归一化）
- w：宽度（归一化）
- h：高度（归一化）
示例：
Terminal window
```
0 0.5 0.5 0.2 0.3
```
表示：
- 类别0
- 位于图片中心
- 宽20%，高30%

二、数据集格式

本地目录结构（以保存在yolo_test为例）

D:/yolo_test
├── images
│   ├── train
│   └── val
├── labels
│   ├── train
│   └── val
└── data.yaml

容器内对应路径（以保存在yolo_data为例）：
Terminal window
```
/yolo_data/images/train
/yolo_data/labels/train
```

data.yaml 示例：

path: /yolo_data
train: images/train
val: images/val

names:
0: person
1: helmet

三、环境准备

安装 Docker Desktop（Windows）官网下载：https://www.docker.com/products/docker-desktop/
启动 Docker，并确保运行正常
配置文件共享

打开 Docker Desktop → Settings → Resources → File Sharing

添加本地目录：D:\yolo_test（用于挂载 Docker 容器,存储数据集和结果）

保存后重启 Docker

四、拉取 YOLOv8 Docker 镜像

打开 PowerShell（管理员模式）
执行命令拉取官方镜像或Docker Desktop → Docker Hub → 搜索ultralytics → Pull：
Terminal window
```
docker pull ultralytics/ultralytics:latest
```
验证镜像是否存在：
Terminal window
```
docker images
```
若拉取失败，可多尝试几次（Docker Hub 网络波动较常见）

五、运行容器并挂载目录

执行运行命令：

docker run -it --rm -v D:/yolo_test:/yolo_data --name yolo_v8 ultralytics/ultralytics:latest

参数说明：
- -it：进入交互式终端
- --rm：容器退出自动删除
- -v：挂载本地目录到容器
- --name：容器命名
退出容器：exit

六、测试YOLOv8图片检测

准备测试图片

在 D:\yolo_test 目录下放入：test.jpg

⚠️ 注意：
- 文件名必须完全一致（区分大小写）

执行检测命令（容器内）

yolo detect predict model=yolov8n.pt source=/yolo_data/test.jpg save=True project=/yolo_data/runs name=detect

参数说明：
- model=yolov8n.pt：轻量模型
- source：输入图片路径
- save=True：保存检测结果
- project：输出目录
- name：结果文件夹名称

七、检测结果验证

检测成功后，终端会输出类似日志：

image 1/1 /yolo_data/test.jpg: 640x480 ... Results saved to /yolo_data/runs/detect

查看本地结果目录：D:\yolo_test\runs\detect
成功标志：
- 出现带检测框的图片
- 正确识别目标

八、正式训练模型（使用GPU）

打开容器

docker run -it --gpus all --shm-size=8g -v D:/yolo_test:/yolo_data --name yolo_v8 ultralytics/ultralytics:latest

参数说明：
- gpus all :启用GPU
- shm-size=8g :防止DataLoader崩溃

九、开始训练模型

在容器内执行训练命令：

yolo detect train model=yolov8n.pt data=/yolo_data/data.yaml epochs=10 imgsz=640 batch=4 workers=2 device=0 project=/yolo_data/runs name=exp1

参数说明：
- model：预训练模型
- data：数据配置文件
- epochs：训练轮数
- imgsz：输入尺寸
- batch：批大小
- workers：数据加载线程数
- device：GPU编号（0表示第一张卡）
- project：输出目录
- name：输出模型的文件名

十、训练结果说明

模型输出路径：
Terminal window
```
/yolo_data/runs/exp1/weights/best.pt
```
重要文件：
- best.pt：最佳模型（推荐使用）
- last.pt：最后一轮模型
可查看内容：
- loss 曲线
- 精度指标（mAP）
- 训练日志

十一、使用训练模型进行检测

执行检测命令：

yolo detect predict model=/yolo_data/runs/exp1/weights/best.pt source=/yolo_data/images/val project=/yolo_data/runs name=predict

输出内容：
- 检测图片（带框）
- 默认不输出标签文件
输出路径：
Terminal window
```
/yolo_data/runs/predict
```

十二、输出检测标签

执行命令：

yolo detect predict model=/yolo_data/runs/exp1/weights/best.pt source=/yolo_data/images/val save_txt=True save_conf=True project=/yolo_data/runs name=predict

输出内容：
- .txt 标注文件
- 每个框的置信度

输出路径：

/yolo_data/runs/predict
/yolo_data/runs/predict/labels