Python+YOLO v8 实战：手把手教你打造专属 AI 视觉目标检测模型
在 AI 视觉领域，目标检测无疑是核心技术之一。而 YOLO 系列算法凭借其高效、精准的特点，一直备受青睐。今天，就让我们深入学习如何使用 Python 结合 Ultralytics 库中的 YOLO v8，训练和开发属于自己的 AI 视觉模型，实现动态目标检测！无论应用于现实场景，还是满足网络需求，掌握这一技能都能让你轻松应对各种识别任务。
一、什么是 YOLO？
YOLO，全称 You Only Look Once，是基于 CNN（卷积神经网络）的算法，在 AI 视觉模型开发领域占据着重要地位。目前，YOLO 由 Ultralytics 公司开发并维护，而 YOLO v8 版本是 Ultralytics 官方发布的最新稳定版本，也是其开源库中强大的算法工具。通过 YOLO，模型能够对输入的图像或视频进行快速分析，一次性预测多个目标的类别和位置，极大地提升了检测效率。
官方网站：Ultralytics.com
二、环境搭建：准备好你的 “战场”
在开启 YOLO v8 的学习之旅前，我们需要先搭建好运行环境。具体步骤如下：
1. 安装 Python 解释器和 PyCharm
- 下载并安装适合你操作系统的 Python 版本，建议选择较新版本，以获取更好的兼容性和性能。
- 安装 PyCharm，它是一款功能强大的 Python 集成开发环境（IDE），能为我们的代码编写、调试和项目管理提供诸多便利。
2. 安装三方库：Ultralytics
打开 PyCharm 的终端或命令行界面，输入以下命令安装 Ultralytics 库：
pip install ultralytics
安装完成后，我们就可以开始使用 YOLO v8 了！
三、加载预训练模型：站在 “巨人” 的肩膀上
预训练模型是 YOLO v8 快速实现目标检测的关键，它已经在大量数据上进行了训练，具备一定的目标识别能力。我们可以直接加载这些模型，在此基础上进行微调或训练，节省时间和计算资源。
1. 导入 YOLO
在 Python 代码中，通过以下方式导入 YOLO：
from ultralytics import YOLO
当 Ultralytics 库检测到本地没有 yolov8n.pt 预训练模型时，会自动从官方源下载完整的模型文件。不过，由于网络等原因，自动下载可能会失败。这时，你可以手动从 YOLOv8 官方发布页 下载 yolov8n.pt，并将其放置到你的项目目录下，这样就能顺利使用预训练模型啦！
小贴士：如果下载速度较慢，可以尝试更换 pip 源，使用国内镜像源，如阿里云、清华大学等镜像源，能显著提升下载速度。
2. 初次使用，检测是否正常加载
# 加载预训练模型 from ultralytics import YOLO # 加载预训练模型 model = YOLO("yolov8n.pt") # 使用YOLOv8 Nano版本作为起点 # 查看版本信息 print(model.info()) print("加载完成")
3. 图片验证
# 加载预训练模型 from ultralytics import YOLO # 加载预训练模型 model = YOLO("yolov8n.pt") # 使用YOLOv8 Nano版本作为起点 model('./img/r.png', save=True, show=True)
选中 './img/r.png' 图片做为检测目标，检测后的图将保存到
runs目录下，标记处检测框。
save=True：保存检测结果show=True：显示检测结果
四、训练图片和标注
1. 准备数据集结构文件
根目录创建 1 个文件夹（可自定义名称），如：xl，下面再创建 2 个文件夹（images 和 labels），images 和 labels 下再分别创建 2 个文件夹（train 和 val）。
images下的train和val放入训练图片（png、jpg）。labels下的train和val放入图片标注（txt）。
2. 标注照片素材
准备一些照片素材，通过 YOLO 目标检测标注工具进行标注。可以使用作者写的标注工具《YOLO 目标检测标注工具》。
五、训练模型
# 加载预训练模型 from ultralytics import YOLO # 加载预训练模型 model = YOLO("yolov8n.pt") # 使用YOLOv8 Nano版本作为起点 # 训练模型 results = model.train(data="data.yaml", # 使用自定义数据集进行训练 epochs=500, # 训练500个周期 imgsz=640, # 调整图像大小 batch=16, # 减少批次大小 device='cpu' # 使用CPU进行训练 ) print("训练完成") path: D:\PyProjects\yolo\xl # 预训练模型路径 train: images/train # 训练集 val: images/val # 验证集 nc: 1 # 类别数 names: ['car-number'] # 类别名
为了截图，这里开 30 个周期，建议你实际操作中，训练更多周期次数，多找一些图片内容标注，这样在检测的时候会更接近预期。
训练完成的结果会显示在 runs\detect\train\weights 下，找到 best.pt 测试一下验证结果。在 YOLO（如 YOLOv8）训练过程中，best.pt 和 last.pt 是两种自动生成的模型权重文件，主要区别如下：
1. best.pt（最佳模型）
- 定义：训练过程中在验证集上表现「最佳」的模型权重文件（通常以验证指标如 mAP（平均精度均值）或损失值为判断标准）。
- 特点：保存的是训练过程中验证指标最优时的模型状态（例如某一 epoch 验证损失最低或 mAP 最高时的权重）。
- 用途：通常作为最终使用的模型（如推理、部署），因为它代表了训练过程中模型的最佳性能。
2. last.pt（最后模型）
- 定义：训练结束时最后一个 epoch 保存的模型权重文件。
- 特点：保存的是训练终止时的模型状态（可能不是验证指标最优的，但包含完整的训练状态，如优化器参数、当前 epoch 等）。
- 用途：主要用于恢复训练（如训练中断后继续从该状态续训），或用于观察模型最终的收敛情况（可能不如
best.pt效果好）。
总结：
- 推理/部署时优先使用
best.pt（性能更优）； - 恢复训练或调试时使用
last.pt（保留最新训练状态）。
你当前代码中加载 best.pt 是合理的，符合「使用最佳模型推理」的常规场景。
六、验证自己训练的模型
# 加载预训练模型 from ultralytics import YOLO # 加载预训练模型 # model = YOLO(r'D:\PyProjects\yolo\runs\detect\train\weights\best.pt') # 使用自己训练的模型 model = YOLO("best.pt") # 使用自己训练的模型 # model('./img/1.png', save=True) # model('./img/2.png', save=True) # model('./img/3.png', save=True) # model('./img/4.png', save=True) # model('./img/5.png', save=True) # model('./img/6.png', save=True) # model('./img/7.png', save=True) # model('./img/8.png', save=True) # model('./img/9.png', save=True) # model('./img/2.mp4', save=True, show=True)
通过以上步骤，你就可以使用 Python 和 YOLO v8 训练出属于自己的 AI 视觉目标检测模型啦！赶紧动手试试吧！
示例源码：关注公众号“Harry技术”，回复 YOLO 获取源码地址。
