yolov8ubuntu训练自己的数据集

### 准备环境

为了在Ubuntu上使用YOLOv8训练自定义数据集，首先需要安装必要的依赖库并配置好开发环境。确保Python版本不低于3.8，并通过pip工具来管理软件包。

sudo apt-get update && sudo apt-get install -y python3-pip git
pip3 install --upgrade pip setuptools wheel

接着克隆YOLOv8的仓库到本地环境中：

git clone https://github.com/ultralytics/ultralytics.git
cd ultralytics/
pip3 install -r requirements.txt

上述命令会下载最新的YOLOv8源码以及所需的全部依赖项[^3]。

### 数据准备

对于想要使用的自定义数据集，如果尚未处于YOLO格式，则需先完成转换工作。假设当前拥有一个名为`fruit_data`的数据集合，在此之前已经完成了解压缩操作。

创建相应的文件夹结构用于存储图像及其标签信息：

mkdir -p fruit_data/images/{train,val}
mkdir -p fruit_data/labels/{train,val}

编写脚本或利用现有工具将原始标注转化为YOLO格式下的`.txt`文件，每张图片对应一个文本文件记录目标边界框的位置参数。注意这里的坐标应当归一化处理以便于模型学习过程中的数值稳定[^2]。

### 配置数据集描述文件

编辑一个新的yaml文件作为数据集配置说明文档，命名为`custom_dataset.yaml`:

# custom_dataset.yaml
path: ../datasets/fruit_data  # dataset root dir
train: images/train           # train images (relative to path) 128 images
val: images/val               # val images (relative to path) 128 images

nc: 3                         # number of classes
names: ['apple', 'banana', 'orange']  # class names

以上路径设置应根据实际项目结构调整修改，类别名称列表也要匹配具体应用场景下所涉及的对象种类[^4]。

### 开始训练

一切就绪之后就可以启动训练流程了。进入YOLOv8目录执行如下指令开始训练新模型：

from ultralytics import YOLO

model = YOLO('yolov8n.pt')    # Load a pretrained model
results = model.train(data='./custom_dataset.yaml', epochs=300, imgsz=640)

这段代码加载了一个预训练的小型YOLOv8网络权重(`yolov8n`)，然后依据前面构建好的数据集设定来进行微调优化。