基于YOLOv8开发构建目标检测模型超详细教程【以焊缝质量检测数据场景为例】

超详细教程系列在我前面的文章中也有不少的实践记录，感兴趣的话可以自行阅读即可：

YOLOv8出来也有一段时间了，但是由于这次改动的方式比较大，官方将其转化为了一个安装包的形式，其实我不是很习惯这种形式，所以就没有经常用到这里，最近正好在整理这块的内容，就想着把自己的实践记录整理记录下来。

github打开搜索YOLOv8，然后打开第一个项目，官方的项目地址在这里，如下所示：

从yolov8开始，变成了一个可以直接导入使用的安装包形式了，客观来讲，单纯对于使用者来说上手肯定是更加方便了，但是对于从yolov3一路跟随发展到yolov7来说，肯定是不习惯的，包括如果自己想要去改一些代码的话肯定也是不如之前的版本来的直接的。

安装很简单如下所示：

pip install ultralytics

一条命令就可以了，当然了也可以升级到最新的版本如下所示：

pip install --upgrade ultralytics

就我的使用体验来说，最好使用最新的版本，不然容易报错这样那样的问题，尤其是一个属性缺失的问题。

从YOLOv8开始，官方其实推荐使用的就是终端命令行的形式来使用模型，训练也是如下如下所示：

# Build a new model from YAML and start training from scratch
yolo detect train data=coco128.yaml model=yolov8n.yaml epochs=100 imgsz=640

# Start training from a pretrained *.pt model
yolo detect train data=coco128.yaml model=yolov8n.pt epochs=100 imgsz=640

# Build a new model from YAML, transfer pretrained weights to it and start training
yolo detect train data=coco128.yaml model=yolov8n.yaml pretrained=yolov8n.pt epochs=100 imgsz=640

当然了也可以编写简单的脚本代码来使用，如下所示：

from ultralytics import YOLO

# Load a model
model = YOLO('yolov8n.yaml')  # build a new model from YAML
model = YOLO('yolov8n.pt')  # load a pretrained model (recommended for training)
model = YOLO('yolov8n.yaml').load('yolov8n.pt')  # build from YAML and transfer weights

# Train the model
model.train(data='coco128.yaml', epochs=100, imgsz=640)

就我自己来说更倾向于使用第二种方式。

这里就以焊缝质量检测场景为例来看下整体操作实践过程吧。

实例数据标注样例如下所示：

1 0.137019 0.134615 0.274038 0.269231
0 0.151442 0.533654 0.120192 0.442308
0 0.514423 0.548077 0.129808 0.475962
0 0.685096 0.143029 0.216346 0.286058

训练数据配置文件如下所示：

更前面各个系列不同，这里path、train、test、val各个字段的配置需要使用绝对路径才可以的不然的话会报错，如下所示：

RuntimeError: Dataset 'self.yaml' error
Dataset 'self.yaml' images not found , missing paths ['E:\\projects\\datasets\\images\\test']
Note dataset download directory is 'E:\pp-projects\datasets'. You can update this in ......

配置完成后就可以开始训练了，日志输出如下所示：