yolov8怎么在ubuntu中跑自己的数据集

### YOLOv8在Ubuntu上的安装与配置

#### 安装依赖库
为了确保YOLOv8能够在Ubuntu环境下顺利运行，需要先安装必要的Python包和其他依赖项。推荐创建一个新的虚拟环境来管理这些依赖关系。

sudo apt-get update && sudo apt-get install -y python3-dev python3-pip libgl1-mesa-glx
pip3 install virtualenv
virtualenv venv
source venv/bin/activate
pip install -r requirements.txt

上述命令会更新系统的软件列表并安装一些基本的开发工具以及图形渲染所需的库文件；接着设置了一个名为`venv`的新虚拟环境，并激活它以便后续操作都在这个隔离环境中进行[^1]。

#### 下载预训练模型权重
对于初次使用者来说，可以从官方仓库获取预先训练好的模型作为起点：

from ultralytics import YOLO
model = YOLO('yolov8n.pt')  # 或者其他版本如'yolov8s', 'yolov8m'等

这段代码展示了如何加载不同大小的基础网络结构(`nano`, `small`, `medium`)中的最小型号——Nano，这有助于快速迭代实验而不需要长时间等待收敛过程完成[^4]。

#### 配置数据集路径
针对特定的任务需求准备相应的标注信息非常重要。通常情况下，自定义的数据应该按照COCO格式整理好图片及其对应的边界框描述。编辑项目根目录下的`data/custom_dataset.yaml`文件指定图像存储位置和类别标签名称:

path: ./datasets/my_custom_data/
train: images/train/
val: images/valid/
nc: 20
names: ['class_1', 'class_2', ..., 'class_n']

这里假设有一个多类别的目标识别场景，其中包含了总共二十种类别对象待检测。通过这种方式可以灵活调整输入源以适应不同的应用场景[^2]。

#### 开始训练流程
当一切准备工作就绪之后就可以调用API启动正式的学习阶段了。下面给出了一组典型的超参数设定用于指导整个优化进程：

results = model.train(
    data='custom_dataset.yaml',
    epochs=100,
    batch=-1,      # 自动计算最佳批量尺寸
    imgsz=640     # 输入特征图分辨率
)

此段脚本指定了要使用的数据集配置文件名、最大轮数限制以及其他影响性能表现的关键因素。值得注意的是，默认情况下框架会选择合适的batch size从而充分利用硬件资源加速运算效率。

#### 测试已训练模型效果
最后一步就是利用之前保存下来的最优权值来进行推理预测工作。可以通过如下简单的几行指令轻松实现这一目的：

test_image_path = "path/to/test/image.jpg"
result = model(test_image_path, save=True, conf=0.5)
print(result.pandas().xyxy[0])

以上代码片段读取一张测试样本并通过刚刚构建完毕的目标探测器对其进行分析处理，最终输出所有满足阈值条件(即置信度大于等于0.5)的结果记录表单。