yolov8训练自己的数据集，labelimg

### 使用YOLOv8训练自定义数据集

#### 制作自定义数据集

为了使用YOLOv8训练自定义数据集，需先创建相应的文件结构。具体操作如下：

- **建立相应文件夹**：构建用于存储图像及其标签的目录结构[^1]。

mkdir dataset/images/train
mkdir dataset/labels/train
mkdir dataset/images/validation
mkdir dataset/labels/validation

- **下载图片**：获取所需分类或检测目标的相关图片，并将其放置于`images`子文件夹内。

- **为图片打标签**

安装并利用`labelImg`工具完成此过程。以下是详细的步骤说明：

- **安装labelImg**

可通过pip命令轻松安装该软件包。

    pip install labelimg

- **打开labelImg**

执行以下指令启动程序：

    labelimg

- **标记图片**

在图形界面中加载待处理的照片，绘制边界框以圈定感兴趣区域，并指定类别名称。保存生成的XML格式标注文档至对应的`labels`路径下。

#### 数据集划分与配置

按照一定比例分配样本到不同的集合（如70%作为训练集，30%作为验证集），并将它们移入预先设定好的位置。随后，在根目录添加一个`.yaml`文件描述整个项目的布局情况及参数设置，包括但不限于模型架构详情、输入尺寸等信息。

#### 训练流程概述

当一切准备工作就绪之后，便可以着手编写Python脚本来调用官方API接口执行具体的训练任务了。主要涉及以下几个方面：

- `model`: 指向预训练权重所在的地址；
- `data`: 提供指向上述提到的数据集配置.yaml的位置；
- `epochs`: 设定迭代次数上限；
- `workers`: 并行读取线程数目的控制变量；

from ultralytics import YOLO

# Load a model
model = YOLO('yolov8n.pt')  # 加载基础版本的小型网络框架

# Use the model
results = model.train(data='path/to/dataset.yaml', epochs=10, workers=4)

---