代码收藏家 完整且详细的Yolov8复现+训练自己的数据集
yolov8做了更简单的部署，可以用于检测，分类，分割等，速度更快，精度更高。具体yolov8的复现可以参考：
一、代码，权重的下载
1. 打开上面的源代码地址，下载源代码压缩包。
2.下载后解压。
3.权重的下载 ：建议点击上面的链接直接下载，后面的predict.py虽然设置了自动下载，但是往往因为网络或者环境配置的问题cut掉。因为作者复现的是检测任务，权重放在detect文件下。
二、配置环境
1.建议每次做新项目都重建一个新环境，避免了各种包的版本的冲突，同时也为了避免在新项目跑通后旧项目又要重新配置环境的麻烦，所以重建环境是不错的选择。
1.打开Anaconda Prompt（如果没有Anaconda，建议下载一个，在配置环境的方面还是很方便的，具体的下载方式参考：(54条消息) 史上最全最详细的Anaconda安装教程_OSurer的博客-CSDN博客https://blog.csdn.net/wq_ocean_/article/details/103889237?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522168653306416782427441050%2522%252C%2522scm%2522%253A%252220140713.130102334..%2522%257D&request_id=168653306416782427441050&biz_id=0&utm_medium=distribute.pc_search_result.none-task-blog-2~all~top_positive~default-1-103889237-null-null.142%5Ev88%5Econtrol,239%5Ev2%5Einsert_chatgpt&utm_term=anaconda%E5%AE%89%E8%A3%85%E6%95%99%E7%A8%8B&spm=1018.2226.3001.4187）
2.具体操作：
(1) 创建环境
conda create -n yolov8 python==3.7(官方要求>=3.7,所以python3.8也完全可以)
（2）激活环境
conda activate yolov8(3)下载Pytorch，这个步骤也十分重要！根据自己电脑配置下载。官方要求Pytorch>=1.7。
首先查看自己的显卡配置：win+R ，输入nvidia-smi
去官网下载对应或者不大于箭头指出的版本，官网地址：PyTorchhttps://pytorch.org/
pip下载会比conda下载略快。
（4）配置好环境后，使用pycharm打开源代码工程文件
（5）选择下载的yolov8环境。
选择python.exe文件。
（6）配置yolov8要求的包，点击Temina，输入代码：
pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple/-i https://pypi.tuna.tsinghua.edu.cn/simple/这是一次性换源代码，要关掉梯子才能链接。
三、验证一下代码是否可以预测例子
1.打开predict.py
2.直接运行，结果会保存在runs里。
3.可能碰见的错误是关于torchvision版本的问题，重新安装即可。
四、制作自己的数据集
先介绍YoLov 8 最终所需要的数据集格式：
datasets
|-images
|–train
|–val
|–test
|-labels
|–train
|–val
|–test
1.Yolo要求的数据标签为.txt
2.与Yolov7 和v5 一样，可以使用labelme标注数据集，yolov8支持多种数据集格式，我是采用上面的格式跑通了，具体制作的过程可参考：
（1）修改模型配置文件
选择yolov8.yaml，修改nc为自己数据集所需检测类别的个数
（2）修改数据加载配置文件，建议全部使用绝对路径
train: "D:/ultralytics-main/datasets/belt/train.txt"
val: "D:/ultralytics-main/datasets/belt/train.txt"
nc: 1
names: ["1"]
至此，所有的配置已经完成。
五、训练自己的数据集
（1）yolo提供自己的指令模式，在调参方面十分方便，当然不下载也可以，直接在文件修改和运行也无碍。
在Terminal下直接运行：
pip install ultralytics
（2）训练：
yolo train data=你的配置文件（xx.yaml）的绝对路径 model=yolov8s.pt epochs=300 imgsz=640 batch=8 workers=0 device=0
如果想使用多卡训练，device='\0,1,2,xxx\'
(3)训练过程首先会显示你所使用的训练的硬件设备信息，然后下一段话则是你的参数配置，紧接着是backbone信息，最后是加载信息，并告知你训练的结果会保存在runs\detect\trainxx。
