怎么用yolov8训练自己的数据集python

### 使用 YOLOv8 训练自定义数据集

#### 创建并加载模型
为了使用预训练的 YOLOv8 模型，在 Python 中可以通过 `ultralytics` 库中的 `YOLO` 类完成。可以指定 `.pt` 文件路径来载入预训练模型，也可以通过 `.yaml` 文件创建新模型结构再加载权重。

from ultralytics import YOLO

# 方法一：直接加载预训练模型
model = YOLO('yolov8n.pt')

# 或者方法二：先基于配置文件构建模型架构，之后加载权重
model = YOLO('yolov8n.yaml').load('yolov8n.pt')

上述代码展示了两种初始化方式的选择[^3]。

#### 数据准备与配置
对于自定义数据集而言，需准备好标注好的图像以及对应的标签文件，并编写相应的 YAML 配置文件描述这些资源的位置和其他必要的超参数设置。此过程涉及到了解耦合后的默认配置文件 `default.yaml` 的应用[^2]。

假设有一个名为 `mydata.yaml` 的配置文件用于表示特定的数据源，则其大致内容如下：

path: ./datasets/my_custom_dataset/
train: images/train/
val: images/valid/
nc: 10  # number of classes
names: ['class_1', 'class_2', ..., 'class_n']

这里假设有十个类别，实际项目中应根据具体情况调整类别的数量和名称。

#### 开始训练
一旦完成了前面两步的工作——即选择了合适的模型并且指定了正确的数据路径后，就可以调用 `model.train()` 来启动训练流程了。只需要传递给它之前提到的那个包含了所有必要信息的YAML文件即可。

results = model.train(data='mydata.yaml')

这行简单的命令背后隐藏着许多复杂的操作，比如自动处理数据增强、损失函数计算等细节都已经被框架内部妥善安排好了。

---