yolov8使用数据集和标记文件训练

### 准备YOLOv8训练环境

为了使用YOLOv8进行模型训练，首先需要安装Ultralytics库并设置好Python开发环境。确保已安装必要的依赖项和工具链。

pip install ultralytics

### 自定义数据集准备

#### 数据收集与整理

对于自定义数据集，图像应按照类别分类存储于不同文件夹内或统一放置在一个目录下，并通过配置文件指定路径。通常情况下，建议创建如下结构：

- train/
- val/

其中`images/train/`用于存放训练图片；`labels/train/`则对应这些图片的标签文件。验证集同理。

#### 标签格式转换

根据AnyLabeling生成的数据集可以被转换成YOLO所需的数据集格式[^1]。每张图对应的`.txt`文件位于相应的label子目录中，其内容遵循特定格式：每一行代表一个目标框，由五个数值组成——类ID、中心坐标X比例、Y比例以及宽度高度的比例值。

例如：

0 0.57946 0.53271 0.3625 0.49444
...

这表示第一个对象属于第零类，在整幅画面上的位置及其大小关系。

### 配置文件编写

创建一个名为`myData.yaml`的yaml格式配置文档来描述项目中的各类参数设定，包括但不限于：

- 训练集与验证集的具体位置；
- 类别名称列表；
- 输入尺寸等超参选项。

示例配置文件可能看起来像这样：

path: D:/MyProject/data/myData # Dataset root directory
train: images/train            # Train images relative path
val: images/val                # Val images relative path
nc: 8                          # Number of classes
names: ['class_1', 'class_2']  # Class names array

### 开始训练过程

加载预训练权重作为初始化起点有助于加速收敛速度并提高最终效果质量。下面展示了如何利用官方提供的基础版本或是之前保存的最佳状态来进行新一轮的学习迭代。

from ultralytics import YOLO

model = YOLO("yolov8s.pt")  # 加载预训练的小型YOLOv8模型
model.train(
    data="D:/MyProject/data/myData.yaml",
    epochs=100,
    imgsz=640                 # 设置输入图像分辨率
)

完成上述操作之后即可启动训练流程，期间可以通过tensorboard或其他可视化手段监控进度变化情况。

### 测试预测功能

当训练结束后，可直接调用该实例执行推理任务，支持本地磁盘上的单个文件或者网络链接指向的目标资源。

results = model(r"D:\AI\obb\ultralytics-main\dataset\images\test", save=True)  # 对测试集做预测并将结果保存下来