本文經(jīng)AI新媒體量子位（公眾號ID:QbitAI）授權(quán)轉(zhuǎn)載，轉(zhuǎn)載請聯(lián)系出處。

很快啊——

目標(biāo)檢測經(jīng)典模型YOLO的第八個版本就已經(jīng)發(fā)布了。

這次升級不少，包括命令行界面、Python API、backbone結(jié)構(gòu)等，精度相比YOLOv5高了一大截（速度官方還沒公布）。

下面是網(wǎng)友實測，幾個不同規(guī)模的變體在目標(biāo)檢測、實例分割和圖像分類三項任務(wù)上的漲點最高達(dá)到了33.21%。

不知道YOLOv8這一出，v5版本還會“茍”多久？

oh我們還發(fā)現(xiàn)已經(jīng)有人用它在自定義數(shù)據(jù)集上完成了一波訓(xùn)練，效果是這樣滴。

這精準(zhǔn)度和穩(wěn)定性，讓網(wǎng)友狠狠夸贊了一波。

具體怎么玩？我們把教程也搬來了。

在自定義數(shù)據(jù)集上訓(xùn)練YOLOv8

正式教程開始之前，我們還是先來認(rèn)識一下這個新版本。

它的出品公司還是Ultralytics，也就是發(fā)布YOLOv5的那家。

本次的升級主要包括：

• 用戶友好的API（命令行+Python）
• 更快更準(zhǔn)確（由于正式的論文還沒發(fā)表，它和SOTA模型的具體對比數(shù)據(jù)現(xiàn)在還沒有）
• 同時支持目標(biāo)檢測、實例分割和圖像分類三種任務(wù)
• 可擴(kuò)展到以前所有的版本
• 新的backbone網(wǎng)絡(luò)（CSP結(jié)構(gòu)不變，但C2f模塊替換了C3模塊，每個stage的blocks數(shù)改為[3,6,6,3]等）
• 新的Anchor-Freehead
• 新的損失函數(shù)

其中重點說一下第一條。

首先，YOLOv8的開發(fā)者脫離了標(biāo)準(zhǔn)YOLO項目的設(shè)計，將train.py、detect.py、val.py和export.py這四個腳本進(jìn)行了分離。

短期來看，這種改變可能會引起混亂，因為它從YOLOv3就一直沒有變過；但原來這種看起來就好理解的模式在實時處理和跟蹤場景中進(jìn)行部署實在是比較麻煩。

所以還是改用了更加靈活的新設(shè)計，讓YOLOv8可以通過終端獨立使用。

其次，這次新增的CLI可以讓你在各種任務(wù)和版本上進(jìn)行更加方便的模型訓(xùn)練、驗證或推理。

在終端的操作方式與我們熟悉的腳本非常相似，比如利用CLI檢測給定圖像中的對象，這樣就行：

yolo task=detect \
mode=predict \
model=yolov8n.pt \
cnotallow=0.25 \
source='https://media.roboflow.com/notebooks/examples/dog.jpeg'

最后，Ultralytics YOLO這次配備的Pythonic模型和訓(xùn)練接口，讓我們用6行代碼就能在自定義Python腳本中用上YOLO模型，操作方式就像這樣：

from ultralytics import YOLO

model = YOLO('yolov8n.pt')
model.predict(
   source='https://media.roboflow.com/notebooks/examples/dog.jpeg',
   cnotallow=0.25
)

是不是很簡單，再也不用像以前那樣改一堆了。

那么接下來，我們就正式開始教程部分了——

在自定義數(shù)據(jù)集上訓(xùn)練YOLOv8。

1、首先，安裝上我們的新YOLOv8，“pip”或者“git clone”一下。

>pip install ultralytics（推薦）

or

>git clone https://github.com/ultralytics/ultralytics
>cd ultralytics
>pip install -e ultralytics

2、然后開始構(gòu)建自定義數(shù)據(jù)集。

為了不讓這個過程那么痛苦和耗時，我們可以用上Roboflow這個工具（本教程也是由它提供的）。

操作步驟如下：

（1）創(chuàng)建賬戶，新建項目，項目類型選擇“目標(biāo)檢測（Object Detection）”。

（2）上傳圖片將數(shù)據(jù)集導(dǎo)入到項目之中。如果你沒有準(zhǔn)備數(shù)據(jù)集，可以用它們官方提供的（從Roboflow Universe中下載）。

如果你的圖片已經(jīng)帶標(biāo)注，系統(tǒng)可以自動讀?。蝗绻麤]有，可以用它提供的這個非常快捷的標(biāo)注工具現(xiàn)標(biāo)。

（3）然后就能生成數(shù)據(jù)集了?！邦A(yù)處理”和“數(shù)據(jù)增強(qiáng)”兩個選項可以勾上，讓你的模型魯棒性更強(qiáng)。

（4）現(xiàn)在我們就擁有了自己的一個托管數(shù)據(jù)集，將它導(dǎo)出就能直接加載到電腦中進(jìn)行訓(xùn)練了。

記住從Roboflow Universe中下載數(shù)據(jù)集時選擇“YOLO v5 PyTorch”格式，然后在彈出的窗口中看到一段代碼，簡單修改各個參數(shù)即可。?

from roboflow import Roboflow

rf = Roboflow(api_key='YOUR_API_KEY')
project = rf.workspace('WORKSPACE').project('PROJECT')
dataset = project.version(1).download('yolov8')

3、開始訓(xùn)練

使用下面的命令將數(shù)據(jù)集下載片段（snippet）粘貼到你的YOLOv8 Colab notebook中，開始訓(xùn)練。

yolo task=detect \
mode=train \
model=yolov8s.pt \
data={dataset.location}/data.yaml \
epochs=100 \
imgsz=640

取決于數(shù)據(jù)集大小和訓(xùn)練方法，過程將持續(xù)幾分鐘或幾小時。

以下是上述足球數(shù)據(jù)集的訓(xùn)練結(jié)果：

（1）返回的混淆矩陣；

（2）跟蹤的關(guān)鍵指標(biāo)；

（3）驗證batch上的推理示例。

是不是還不錯？

4、用測試集驗證模型

訓(xùn)練好后開始驗證。創(chuàng)建數(shù)據(jù)集時分成三部分，其中一部分用來當(dāng)測試集：?

yolo task=detect \
mode=val \
model={HOME}/runs/detect/train/weights/best.pt \
data={dataset.location}/data.yaml

評估結(jié)果如下：

5、使用自定義模型進(jìn)行預(yù)測

命令如下：

yolo task=detect \
mode=predict \
model={HOME}/runs/detect/train/weights/best.pt \
cnotallow=0.25 \
source={dataset.location}/test/images

結(jié)果示例：

。

6、最后一步：導(dǎo)出和上傳權(quán)重

現(xiàn)在我們擁有了一組訓(xùn)練好的權(quán)重，可用于托管API端點，就在項目的“/runs/detect/train/weights/best.pt”文件夾中。

當(dāng)然，也可以使用Roboflow pip包中的Deploy（）函數(shù)將它上傳到Roboflow Deploy中，方便自己和他人共享。

單擊Roboflow儀表板側(cè)欄中的“部署（Deploy）”，查看可用的選項，然后就能直接在瀏覽器中測試你的模型了。要共享給他人，發(fā)送一個URL就行。

測試素材可以直接用你測試集里的圖片，也可以上傳新的圖片或視頻，或者粘貼YouTube鏈接、直接用攝像頭。

全部結(jié)束！是不是還不麻煩？

趕緊去檢驗一番YOLOv8的真本事吧～

需要的鏈接都在下面，Have fun!

YOLOv8官方倉庫：https://github.com/ultralytics/ultralytics

?教程原文：??https://blog.roboflow.com/how-to-train-yolov8-on-a-custom-dataset/?