cci yolov8n

### CCI YOLOv8n 使用教程及案例

#### 安装依赖库
为了使用CCI训练和部署YOLOv8n模型，需先安装必要的Python包。这通常包括PyTorch框架以及 Ultralytics 提供的官方YOLOv8实现。

pip install torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cpu
pip install ultralytics

上述命令会下载并配置好运行环境所需的基础组件[^1]。

#### 数据集准备
数据预处理阶段非常重要，在此期间要确保图像尺寸一致，并按照COCO格式整理标签文件。对于自定义的数据集来说，创建`data.yaml`来指定类别名称、图片路径等信息是必不可少的操作之一。

train: ./datasets/train/images/
val:   ./datasets/validation/images/

nc: 80
names: ['person', 'bicycle', ... ]

这段YAML片段展示了如何描述一个简单的对象检测项目结构[^2]。

#### 训练过程概述
启动训练之前，建议调整超参数以适应特定应用场景的需求。通过修改配置文件中的选项可以控制学习率、批次大小和其他重要设置。下面给出了一条用于发起本地训练作业的典型CLI指令：

yolo train data=data.yaml model=yolov8n.pt epochs=100 imgsz=640 batch=16 device=cpu

这条语句指定了使用的设备(CPU/GPU)，输入分辨率(`imgsz`)以及其他关键参数[^3]。

#### 推理与评估
完成训练之后，可以通过加载保存下来的权重来进行推理测试。这里提供了一个简短的例子展示怎样利用已有的`.pt`文件执行预测任务：

from ultralytics import YOLO

model = YOLO('runs/detect/train/weights/best.pt')
results = model.predict(source='https://ultralytics.com/images/bus.jpg', save=True, show_labels=False)

以上脚本读取一张网络上的图片作为源素材，调用经过优化后的神经网络实例化对象进行目标识别操作[^4]。