本文經AI新媒體量子位（公眾號ID:QbitAI）授權轉載，轉載請聯系出處。

很快啊——

目標檢測經典模型YOLO的第八個版本就已經發布了。

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

下面是網友實測，幾個不同規模的變體在目標檢測、實例分割和圖像分類三項任務上的漲點最高達到了33.21%。

不知道YOLOv8這一出，v5版本還會“茍”多久？

oh我們還發現已經有人用它在自定義數據集上完成了一波訓練，效果是這樣滴。

這精準度和穩定性，讓網友狠狠夸贊了一波。

具體怎么玩？我們把教程也搬來了。

在自定義數據集上訓練YOLOv8

正式教程開始之前，我們還是先來認識一下這個新版本。

它的出品公司還是Ultralytics，也就是發布YOLOv5的那家。

本次的升級主要包括：

• 用戶友好的API（命令行+Python）
• 更快更準確（由于正式的論文還沒發表，它和SOTA模型的具體對比數據現在還沒有）
• 同時支持目標檢測、實例分割和圖像分類三種任務
• 可擴展到以前所有的版本
• 新的backbone網絡（CSP結構不變，但C2f模塊替換了C3模塊，每個stage的blocks數改為[3,6,6,3]等）
• 新的Anchor-Freehead
• 新的損失函數

其中重點說一下第一條。

首先，YOLOv8的開發者脫離了標準YOLO項目的設計，將train.py、detect.py、val.py和export.py這四個腳本進行了分離。

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行部署實在是比較麻煩。

所以還是改用了更加靈活的新設計，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和版本上進行更加方便的模型訓練、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——

在自定義數據集上訓練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、然后開始構建自定義數據集。

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）創建賬戶，新建項目，項目類型選擇“目標檢測（Object Detection）”。

（2）上傳圖片將數據集導入到項目之中。如果你沒有準備數據集，可以用它們官方提供的（從Roboflow Universe中下載）。

如果你的圖片已經帶標注，系統可以自動讀取；如果沒有，可以用它提供的這個非常快捷的標注工具現標。

（3）然后就能生成數據集了。“預處理”和“數據增強”兩個選項可以勾上，讓你的模型魯棒性更強。

（4）現在我們就擁有了自己的一個托管數據集，將它導出就能直接加載到電腦中進行訓練了。

記住從Roboflow Universe中下載數據集時選擇“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、開始訓練

使用下面的命令將數據集下載片段（snippet）粘貼到你的YOLOv8 Colab notebook中，開始訓練。

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

取決于數據集大小和訓練方法，過程將持續幾分鐘或幾小時。

以下是上述足球數據集的訓練結果：

（1）返回的混淆矩陣；

（2）跟蹤的關鍵指標；

（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

訓練好后開始驗證。創建數據集時分成三部分，其中一部分用來當測試集：?

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

評估結果如下：

5、使用自定義模型進行預測

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

結果示例：

。

6、最后一步：導出和上傳權重

現在我們擁有了一組訓練好的權重，可用于托管API端點，就在項目的“/runs/detect/train/weights/best.pt”文件夾中。

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

單擊Roboflow儀表板側欄中的“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/?