我最早接触YOLOv8的时候网上能找到的教程不少但多数要么只讲了环境配置要么直接甩一段训练命令数据集怎么标、格式怎么转、训练参数怎么调基本全靠自己去试错。这篇文章我打算把我这一路跑通YOLOv8的完整过程写出来从零开始配环境、做数据集、训练自己的模型再到测试部署每一步都落到实际操作上把那些踩过坑、花过时间摸索的细节都讲清楚。YOLOv8是目前落地场景里用得最多的目标检测模型之一相比之前的YOLOv5它在特征提取、网络头和训练策略上做了不少调整精度和速度都有提升。不管你是想入门目标检测还是要在实际项目里训练一个能用的检测模型这篇文章都能给你一条稳妥的路线。内容偏实操我尽量按我自己的复现顺序来讲中间涉及的命令、代码、参数都是实测过的照着做基本能跑通。1. 整体思路与核心设计解析1.1 为什么要选YOLOv8来做训练在做目标检测模型选型的时候很多人会纠结用YOLOv5、YOLOv8还是更重的Faster R-CNN、DETR。我自己的判断标准很简单如果项目对实时性有要求或者需要快速迭代、快速出效果YOLO系列几乎是首选。而YOLOv8在YOLOv5的基础上做了几项关键升级这些升级直接影响了训练和部署的体验。首先是网络结构上的变化。YOLOv8把原来的C3模块换成了C2f模块特征融合时能提取到更丰富的信息在同等参数量下精度会高一些。其次是它改成了Anchor-Free的检测方式不再依赖预设的锚框模型在训练时更省心不用手动调anchor参数这对新手来说非常友好。再者YOLOv8的检测头变成了解耦头分类和回归分两条分支来做收敛更快最终精度也更高。从生态角度看YOLOv8所在的Ultralytics框架把数据加载、训练、验证、导出、推理全都封装好了几行命令就能完成一次完整的训练。对于实际项目来说这大大缩短了从数据到可用模型的周期。所以我后来在做项目时默认方案基本都是YOLOv8只有遇到特别极端的场景才会考虑换其他模型。1.2 从环境到数据集到训练的完整链路整个YOLOv8项目的落地本质上就是围绕三个环节环境、数据、训练。很多人容易忽略的是这三个环节是环环相扣的环境配不好训练根本跑不起来数据做得不正规训练出来的模型效果也会非常拉胯训练参数设不好再好的数据集也可能不收敛。我建议的流程是这样先搭好Python虚拟环境和PyTorch环境下载YOLOv8源码跑一次官方预训练模型的推理确认环境完全没问题然后制作数据集包括采集图片、标注、格式转换、划分训练验证集接着编写数据配置文件启动训练在训练过程中盯着损失曲线和验证精度最后用训练好的权重做测试按需导出成ONNX等格式。这个顺序不要乱。我见过不少朋友上来先花大量时间做数据集等到要训练的时候发现CUDA版本和PyTorch不匹配又回头折腾环境非常浪费时间。环境先行再用小数据量做一次端到端的冒烟测试确认全流程通了再投入精力做完整数据集这是最高效的做法。2. 环境配置实操2.1 硬件与软件版本匹配先说硬件。YOLOv8训练对GPU显存有要求但不是非得用顶级的卡。我自己最初用GTX 1660 Ti 6G跑过YOLOv8s模型图像尺寸设640batch size压到8还是能跑的只是速度慢一些一个epoch可能要几分钟。如果手头显卡显存只有4G左右建议选择YOLOv8n或者YOLOv8sbatch size控制在4到8之间。没有NVIDIA显卡的话用CPU训练也不是不行但速度会慢到怀疑人生跑个几百张图片的数据集可能都要好几小时所以有条件还是优先用N卡。软件版本方面最核心的是CUDA、PyTorch和Python的匹配。YOLOv8官方要求Python版本不低于3.8我建议直接用3.9或3.10。PyTorch版本会影响CUDA支持我测试比较稳的组合是Python 3.9 PyTorch 2.0.x CUDA 11.8或者Python 3.10 PyTorch 2.1.x CUDA 12.1。如果你用的是比较新的显卡优先选择更新的CUDA版本否则旧版CUDA可能不支持。这里要特别提醒一点如果你电脑里已经装了CUDA不要只看命令行里nvidia-smi显示的CUDA版本那是显卡驱动支持的最高版本不代表PyTorch实际调用的版本。PyTorch通常自带CUDA运行库只要驱动版本足够新安装对应版本的PyTorch即可并不需要单独安装完整的CUDA Toolkit。2.2 使用Anaconda创建独立环境我强烈建议使用Anaconda来管理Python环境不要把依赖直接装在系统Python里。项目之间的依赖很容易互相冲突用虚拟环境隔离是省心的做法。首先去Anaconda官网下载对应系统的安装包装好后打开Anaconda PromptWindows或终端Linux/Mac创建一个新的虚拟环境命名为yolov8conda create -n yolov8 python3.9 -y conda activate yolov8这里需要等待环境创建完成然后就是安装PyTorch。最稳的方式是去PyTorch官网选择对应的系统、CUDA版本复制它给你的安装命令。如果你不确定CUDA选哪个我推荐安装CUDA 11.8版本的PyTorch兼容性比较好pip install torch torchvision --index-url https://download.pytorch.org/whl/cu118如果你的显卡不支持CUDA 11.8或者你使用的是Mac电脑那就选择CPU版本pip install torch torchvision安装完成后进入Python环境验证一下PyTorch能否正常调用GPUimport torch print(torch.__version__) print(torch.cuda.is_available()) print(torch.cuda.get_device_name(0))如果torch.cuda.is_available()输出True说明环境基本没问题。我碰到过很多人这里显示False多半是安装成了CPU版本的PyTorch检查安装命令重装即可。2.3 下载YOLOv8源码并安装依赖PyTorch搞定之后接下来获取YOLOv8的源码。Ultralytics官方仓库托管在GitHub上可以用git克隆也可以直接下载压缩包解压。我建议用git方便以后拉取更新。git clone https://github.com/ultralytics/ultralytics.git cd ultralytics pip install -e .pip install -e .会以可编辑模式安装当前目录下的ultralytics包这样你修改源码里的代码后不需要重新安装就能生效。如果你只是想要命令行工具直接pip install ultralytics也可以但为了训练时方便查看和修改源码我还是推荐用克隆仓库的方式。安装完成后用yolo命令验证一下是否成功yolo --help如果命令行能正常输出帮助信息说明框架已经装好了。2.4 编写代码工具的配置建议训练过程中我们需要查看和修改Python脚本所以一个趁手的编辑器非常重要。VSCode和PyCharm都是不错的选择。如果你选择VSCode记得安装Python扩展然后在里面选择刚才创建的yolov8虚拟环境作为解释器。具体操作是按CtrlShiftP输入Python: Select Interpreter选中yolov8环境即可。这一步很多人忽略了结果在终端里明明能import torch在编辑器里却报错多半就是解释器没选对。如果你用PyCharm新建项目后需要把解释器设置成这个虚拟环境File - Settings - Project - Python Interpreter - Add Interpreter - Select existing environment然后找到conda环境的python.exe路径。环境配置完成后我习惯先跑一个最简单的推理测试确认整条链路是通的再开始考虑数据集的制作。3. 数据集制作全流程3.1 数据采集与类别设计数据集是训练效果的上限模型只是尽可能去逼近这个上限。哪怕你用的是最强的模型数据做得稀烂结果也好不到哪去。一个合格的目标检测数据集首先要想清楚要检测什么类别每个类别需要多少样本。我个人的经验是每类样本的数量最好不要少于500张复杂场景最好能达到1500张以上。这里说的是一张图片算一个样本如果一张图里有多个目标那训练效果会更好。当然这个数量不是绝对的如果场景非常单一200张也能训出一个不错的模型如果场景复杂、目标形态多样可能几千张都不够。图片采集时要注意几个原则一是覆盖各种角度、光照、距离不能全是同一个角度拍的二是尽量贴近实际使用场景比如你最终要在车间里检测零件训练数据也要多拍车间环境下的照片三是每张图中目标不要太小太小的目标本来就难检测数据量不足时模型几乎学不到特征。3.2 标注工具的选择与使用图片准备好之后就要对目标进行标注。YOLO格式的标注文件是txt文本文档每行一个目标内容格式为“类别序号 x_center y_center width height”其中坐标值都是归一化到0到1之间的。常用的标注工具有LabelImg、Labelme、X-AnyLabeling等。LabelImg是老牌工具操作简单稳定支持YOLO格式导出我最早就是用的它。X-AnyLabeling功能更强支持交互式分割辅助标注效率能提升不少而且自带多种预标注模型可以先用模型自动检测再人工修正。标注时最重要的一点就是认真仔细。不要漏标图中的目标不要把一个目标标成正方形把背景也框进去类别不要选错。边界框尽量紧贴目标边缘留太多背景会让模型学到错误的信息。我踩过最大的坑就是标注时贪快有些目标没标训练出来的模型遇到相似目标就无视回头检查数据才发现是标注漏了。3.3 VOC格式转YOLO格式很多开源数据集包括你自己找的数据集给的标注可能是VOC格式的XML文件或者是COCO格式的JSON文件。YOLOv8原生支持COCO格式但大多数情况我们还是要转成YOLO的txt格式。VOC格式的标注信息是这样的annotation filename000001.jpg/filename size width1920/width height1080/height /size object nameperson/name bndbox xmin100/xmin ymin150/ymin xmax300/xmax ymax450/ymax /bndbox /object /annotation转换为YOLO格式时需要计算出中心点坐标和宽高然后全部按图片尺寸做归一化import xml.etree.ElementTree as ET import os def convert_voc_to_yolo(xml_path, out_dir, class_names): tree ET.parse(xml_path) root tree.getroot() size root.find(size) img_w int(size.find(width).text) img_h int(size.find(height).text) txt_name os.path.splitext(os.path.basename(xml_path))[0] .txt with open(os.path.join(out_dir, txt_name), w) as f: for obj in root.iter(object): cls_name obj.find(name).text if cls_name not in class_names: continue cls_id class_names.index(cls_name) box obj.find(bndbox) xmin float(box.find(xmin).text) ymin float(box.find(ymin).text) xmax float(box.find(xmax).text) ymax float(box.find(ymax).text) x_center (xmin xmax) / 2 / img_w y_center (ymin ymax) / 2 / img_h width (xmax - xmin) / img_w height (ymax - ymin) / img_h f.write(f{cls_id} {x_center:.6f} {y_center:.6f} {width:.6f} {height:.6f}\n)class_names列表的顺序很重要必须和最终训练时的类别顺序完全一致。比如你的类别是[person, car, bicycle]那person对应的序号就是0car是1bicycle是2txt标注文件里的第一个数字就按这个顺序来写。3.4 划分数据集与编写data.yaml数据集要做好训练集和验证集的划分。YOLOv8训练时需要一个验证集来评估模型效果通常按9:1或8:2的比例划分。划分的时候要注意同一场景的图片不要分散到训练集和验证集里否则验证精度虚高实际部署效果打折扣。最终数据集目录结构是这样的datasets/ ├── images/ │ ├── train/ │ │ ├── img001.jpg │ │ └── ... │ └── val/ │ ├── img101.jpg │ └── ... └── labels/ ├── train/ │ ├── img001.txt │ └── ... └── val/ ├── img101.txt └── ...图片和标注文件的名字必须一一对应图片是img001.jpg标注必须叫img001.txt否则训练时匹配不上目标框全部丢失。然后创建一个YAML配置文件指定数据集路径和类别信息path: D:/yolov8/datasets train: images/train val: images/val names: 0: person 1: car 2: bicycle这里path是数据集的根路径train和val是相对根路径的训练图片目录和验证图片目录names是类别列表。YOLOv8会自动在对应目录下寻找同名的txt标注文件不需要在配置里单独指定标注路径。3.5 制作工业数据集的几个心得工业数据集和普通场景数据集最大的区别在于工业场景往往背景比较固定、目标种类单一但缺陷或目标的外观差异可能很大。比如检测钢材表面的划痕、布匹上的瑕疵、电路板上的元器件缺陷这类目标形状不规则有时候甚至肉眼都很难判断标注难度很大。做工业数据集时我建议先拍摄足够多的正常样本和异常样本异常样本要尽量覆盖不同类型的缺陷比如划痕要分浅划痕、深划痕、连续划痕、断续划痕。如果实际生产中的故障样本很难收集可以先在实验室里人工模拟一些常见缺陷再放到产线上补充真实样本。标注这类不规则目标时可以用多边形标注工具如X-AnyLabeling然后用脚本把多边形转换成矩形框或者生成分割标注。还有一个经验工业项目的数据往往需要持续迭代。第一版模型上线后持续收集误检和漏检的图片把它们补充到数据集里重新训练效果会越来越好。我做过一个质检项目初版模型只有几百张图效果一般后来在产线上跑了一个月收集了上千张难例图片补充进去精度提升了十多个百分点。4. 训练自己的YOLOv8模型4.1 检查数据集的正确性正式开始训练前我建议先检查数据集避免训练中途才发现标注文件有问题浪费时间。YOLOv8提供了一个快速检查的命令yolo detect train datadata.yaml modelyolov8n.pt epochs1这条命令会用预训练权重在数据集上跑一个epoch如果数据集有格式问题通常会直接报错。另一种方式是可视化随机抽取的几张图片查看标注框是否正常from ultralytics.data import YOLODataset dataset YOLODataset(data.yaml, imgsz640) print(len(dataset))如果能够正常加载数据集并输出样本数量说明数据文件基本没问题。再检查一下标注框的坐标范围是否都在0到1之间有没有宽度或高度为0的异常框这些都会在训练时报错。4.2 选择预训练权重与模型规模YOLOv8官方提供了n、s、m、l、x五个规模的预训练模型。这五个模型的参数量和检测精度依次递增但推理速度依次递减。我使用时的选择标准是这样的YOLOv8n参数量最小适合移动端设备或者CPU推理精度一般但速度快。YOLOv8s在精度和速度之间比较平衡也是我日常项目中使用最多的GTX 1660 Ti级别的显卡也能轻松跑。YOLOv8m精度比s有明显提升但对显存要求更高适合服务器端部署。YOLOv8l和YOLOv8x精度最高但训练和推理都慢适合对实时性要求不高的场景。在数据量不是特别大的情况下直接使用官方提供的预训练权重做迁移学习效果远好于从零训练。预训练权重在COCO数据集上已经学到了通用的特征即使你的目标任务和COCO完全不同用预训练权重做初始参数收敛速度快得多最终精度也更高。下载预训练权重很简单YOLOv8会自动从官方下载。如果你网络环境不佳也可以手动下载pt文件放到项目目录下再在训练命令中指定路径。4.3 训练命令与关键参数解释训练命令的最基本形式是这样yolo detect train datadata.yaml modelyolov8s.pt epochs100 batch16 imgsz640 device0几个核心参数我逐个说明data数据集配置文件路径。model预训练权重路径。也可以直接填模型结构文件比如yolov8s.yaml表示从零训练但一般不建议这么做。epochs训练轮数。数据量在几百张时100轮已经足够数据量大、任务复杂时可以增加到200到300轮。batch批大小。受显存限制显存不够时减小batch显存充足时加大batch可以加快训练。batch太大时要注意学习率也需要相应调整YOLOv8会自动做学习率缩放所以一般不用手动改。imgsz输入图片尺寸。默认640如果目标较小可以适当提升到768或1024但显存占用会明显增加训练速度也会变慢。device使用的GPU编号。多卡训练时填0,1用CPU训练时填cpu。训练启动后会在项目目录下自动创建一个runs/detect/train文件夹每次训练自动变成train2、train3里面保存训练日志、损失曲线、验证结果图片和最终的权重文件。训练过程中如果中断可以用resumeTrue参数从断点继续训练非常方便yolo detect train resumeTrue4.4 训练过程的监控与调优训练启动后终端会输出每个epoch的损失值和精度指标。重点关注box_loss边界框损失、cls_loss分类损失、dfl_loss分布焦点损失和mAP50、mAP50-95这几个指标。正常的训练过程损失值应该是逐渐下降然后趋于平稳mAP逐渐上升然后趋于平稳。如果损失值一开始就很小说明学习率设置不合适或者模型权重有问题如果损失值震荡剧烈可能是batch太小或者学习率太大。训练结束后在runs/detect/train目录下会生成results.png图片里面包含了损失曲线和精度曲线。这张图非常有用可以通过它判断模型是否欠拟合或过拟合训练损失下降但验证损失不降反升说明过拟合了需要增加数据量或添加数据增强训练损失和验证损失都高居不下说明模型欠拟合需要增加训练轮数或换更大的模型。我在训练时习惯开启早停机制Ultralytics默认会监听验证集上的mAP如果在连续patience个epoch内没有提升训练会自动停止。默认值是100我一般会设小一些yolo detect train datadata.yaml modelyolov8s.pt epochs300 patience30这样可以节省大量时间不用傻傻等满300轮。4.5 旧显卡跑YOLOv8的实践建议我用GTX 1660 Ti 6G显存跑过很多次YOLOv8训练这里给同样用中低端卡的朋友一些建议。显存不足时最先调整的就是batch size从默认的16降到8甚至4。如果batch只有4训练时梯度会不太稳定但配合轻量模型问题不大。另一种方式是开启梯度累积Ultralytics提供了一个参数batch-1它会根据你的显存自动选择最大可用的batch size。不过实测下来它选择的值比较保守我更喜欢手动设置。还可以用ampTrue开启混合精度训练能在显存占用几乎减半的情况下保持相近的精度中低端显卡必备。另外图像尺寸对显存影响非常大。640的图改到512显存占用能降低近40%如果你的目标是中等大小以上的目标512的图完全够用。训练速度也会明显提升。5. 模型测试与部署5.1 使用验证集评估模型训练完成后模型权重保存在runs/detect/train/weights/best.pt。best.pt是验证集上效果最好的权重last.pt是最后一轮的权重一般我们都用best.pt。先跑一遍验证集确认模型在验证数据上的最终表现yolo detect val datadata.yaml modelruns/detect/train/weights/best.pt这条命令会用验证集评估模型输出mAP50、mAP50-95等指标。需要说明的是mAP50表示在IoU阈值为0.5时的平均精度mAP50-95表示在不同IoU阈值下的平均精度。mAP50更接近“能不能检测到目标”的能力mAP50-95对目标框的精确度要求更高实际项目两个指标都要看。5.2 对单张图片和视频进行预测用训练好的模型去预测新图片命令非常简单yolo detect predict modelruns/detect/train/weights/best.pt sourcetest_images/img01.jpgsource参数可以填图片路径、文件夹路径、视频路径甚至是摄像头编号。预测结果会保存在runs/detect/predict目录下原始图片上会画出检测框和类别标签。预测时有两个参数值得关注conf是置信度阈值默认0.25值越大过滤掉的检测框越多iou是NMS的IoU阈值默认0.7用于去除重叠框。实际部署时我会根据业务需求调整这两个参数如果希望减少漏检把conf调低到0.1如果希望减少误检把conf调高到0.5。用Python脚本批量推理也很方便from ultralytics import YOLO model YOLO(runs/detect/train/weights/best.pt) results model.predict(sourcetest_images/, conf0.25, saveTrue)5.3 导出ONNX并在边缘设备部署训练好的PyTorch模型不方便直接在生产环境部署一般会先导出成通用的ONNX格式yolo export modelruns/detect/train/weights/best.pt formatonnx导出成功后会生成一个.onnx文件。ONNX可以跨框架运行再配合ONNX Runtime或TensorRT进行推理加速。很多边缘设备比如RK3588这类开发板都对ONNX有较好的支持可以先把模型导成ONNX再根据设备的推理框架做进一步转换。在PC端用ONNX Runtime推理的伪代码如下import onnxruntime as ort import numpy as np from ultralytics.utils import ops session ort.InferenceSession(best.onnx) input_name session.get_inputs()[0].name image np.random.rand(1, 3, 640, 640).astype(np.float32) outputs session.run(None, {input_name: image})这里输出的原始结果还需要做后处理包括解码、NMS等Ultralytics在预测时已经封装好了这些逻辑。如果是部署到边缘设备通常需要自己写后处理逻辑这个要根据具体设备的推理框架来实现。5.4 部署时的常见坑模型导出和部署阶段最容易出问题的是图片预处理方式不一致。PyTorch训练时图片会被缩放并除以255归一化而部署时如果忘了做相同的预处理模型输出会完全不对。另外ONNX导出时imgsz要和训练时保持一致不然推理结果会明显变差。边缘设备的算力通常比PC弱很多建议在导出时就考虑使用YOLOv8n这种轻量级模型同时把输入尺寸适当调小到480或416。我见过有人把YOLOv8s原封不动地部署到嵌入式设备上跑起来帧率不到5根本没法用后面换了n模型加TensorRT加速才勉强跑到实时。再就是不同设备的动态尺寸支持不一样很多推理引擎只支持固定输入尺寸。导出ONNX时默认是动态尺寸如果部署到边缘设备报形状错误可以直接导出固定尺寸的版本yolo export modelbest.pt formatonnx imgsz640 dynamicFalse6. 常见问题与避坑指南6.1 环境与安装问题速查我在帮别人排查环境问题时遇到最多的就是下面这些情况问题现象可能原因解决方法torch.cuda.is_available()为False安装了CPU版本PyTorch重新安装对应CUDA版本的PyTorch训练时报CUDA out of memory显卡显存不足减小batch、图片尺寸开启AMP混合精度yolo命令找不到没有激活虚拟环境先执行conda activate yolov8pip安装卡住或报错网络问题或依赖冲突使用国内镜像源pip install -i https://pypi.tuna.tsinghua.edu.cn/simpleimport torch时报错DLL load failedCUDA相关DLL缺失确保显卡驱动是最新版安装Visual C运行库环境问题排查的核心思路是“逐步缩小范围”。先用最简单的import torch判断PyTorch本身是否有问题再检查YOLOv8能不能跑官方预训练模型最后才怀疑数据集的问题。6.2 训练不收敛或效果差训练100轮后mAP还是只有百分之几甚至为零最可能的原因是数据集本身有问题。我总结了一下这种情况大部分离不开几个原因标注文件的类别序号和data.yaml里的names顺序不对导致模型学习时标签完全错乱标注框坐标归一化错了目标框都在图片外面训练集和验证集图片分布差异太大验证精度上不去。排查这类问题时建议在训练前写一个可视化脚本把标注框画到图片上一张一张地看。我写过一个小工具随机从训练集抽9张图把YOLO标注转换成矩形画出来import cv2 import random img_path datasets/images/train/img001.jpg label_path datasets/labels/train/img001.txt img cv2.imread(img_path) h, w img.shape[:2] with open(label_path) as f: for line in f.readlines(): cls, x, y, bw, bh map(float, line.split()) x1 int((x - bw/2) * w) y1 int((y - bh/2) * h) x2 int((x bw/2) * w) y2 int((y bh/2) * h) cv2.rectangle(img, (x1, y1), (x2, y2), (0, 255, 0), 2) cv2.imshow(check, img) cv2.waitKey(0)如果画出来的框位置正确、大小合适说明标注没有大问题。如果框明显偏移或者面积不对说明归一化代码写错了对照第3.3节的公式重新检查。6.3 过拟合与欠拟合的处理方法训练过程中validation loss在下降之后又明显回升几乎可以确定是过拟合了。数据量小是过拟合最常见的原因尤其是深度学习模型参数量很大几百张小数据集很容易学过头。解决过拟合最有效的方法是增加数据量其次是在配置里开启更多的数据增强。YOLOv8默认已经带有Mosaic等数据增强策略如果过拟合严重可以把epochs调小或者把模型从s换到n降低模型容量。模型欠拟合时训练集和验证集的损失都高精度也上不去。这时可以尝试换更大的模型比如从n换到m或者增加训练轮数再检查一下学习率设置。YOLOv8默认会自动调整学习率一般不需要手动设置。我见过有人强行把学习率改得很大结果损失直接变成nan所以除非你知道自己在做什么否则不要随意动学习率。6.4 关于YOLOv8改进方向的碎碎念网上关于YOLOv8改进的论文和代码很多比如换注意力机制、改检测头、加小目标检测层这些都很好但我想提醒一点投入产出比最高的永远是把数据和调参做好而不是一上来就魔改结构。我在实践里遇到过不少同学模型结构换了一大堆结果数据本身问题一堆最终效果还不如用原版模型好好调参。真正需要改进结构的时候一般是遇到了具体瓶颈小目标检测不好、密集场景漏检严重、某一类别的召回率明显偏低。这时候再去针对性地查论文、看代码才会事半功倍。YOLOv8的源码结构很清晰模型定义在ultralytics/nn/modules和ultralytics/nn/tasks目录下想改结构可以先去这几个文件里熟悉一下。写在最后的一些个人经验这一路跑下来YOLOv8给我最大的感受就是省心。相比早年用Faster R-CNN要自己写anchor生成、NMS后处理YOLOv8把这些细节全封装好了我们只需要把精力放在数据和业务上。但越是封装得好的东西越要理解背后的原理否则出了问题都不知道从哪里排查。如果让我给刚接触YOLOv8的朋友一个建议那就是不要急着追求最花哨的网络结构和最强的显卡先把一条最基础的流程完整跑通环境装好、用一个小规模数据集训练、测试、部署。这条流程跑通之后再去拓展数据规模和模型规模你会发现一切都顺理成章。还有一个小技巧训练的时候养成看results.png的习惯不要只看最后一个epoch的mAP数字。损失曲线的形态能告诉你很多信息曲线下降得漂不漂亮直接反映了模型学得好不好。我自己每轮训练结束后都会把results.png和验证样本图片翻出来看一遍这个习惯帮我发现了不少数据上的问题。
