YOLOv8实战：5分钟搞定自定义数据集训练与部署（附完整代码）

YOLOv8实战：5分钟搞定自定义数据集训练与部署（附完整代码）

当我们需要在特定场景下快速实现目标检测时，YOLOv8凭借其出色的速度和精度成为首选方案。本文将带你从零开始，完成数据准备、模型训练到边缘部署的全流程，并提供可直接运行的代码示例。

1. 环境准备与数据标注

YOLOv8对硬件要求较为友好，即使在中端GPU上也能高效运行。以下是快速搭建环境的步骤：

# 创建Python虚拟环境（推荐3.8+版本）
conda create -n yolo_env python=3.8
conda activate yolo_env

# 安装Ultralytics官方包
pip install ultralytics

数据标注建议使用Roboflow或LabelImg工具。标注时需注意：

• 标注文件保存为YOLO格式（每个图像对应.txt文件）
• 类别命名使用英文且不含空格
• 标注框应紧密贴合物体边缘

示例标注文件格式：

0 0.45 0.32 0.12 0.23  # 类别ID x_center y_center width height

提示：对于小目标检测，建议标注时适当扩大边界框范围，避免训练时被忽略

2. 数据集配置与增强策略

创建dataset.yaml配置文件：

path: /datasets/custom
train: images/train
val: images/val
test: images/test

names:
  0: person
  1: car
  2: traffic_light

数据增强是提升模型泛化能力的关键。YOLOv8默认包含以下增强策略：