ubuntu20.04yolov8训练自己的数据集

### 准备工作

为了在Ubuntu 20.04上使用YOLOv8训练自定义数据集，需先设置好Python虚拟环境并安装必要的依赖库。创建一个名为`yolov8`的虚拟环境来隔离项目所需的包版本和其他项目的冲突[^2]。

conda create -n yolov8 python=3.8
conda activate yolov8

接着，在激活此环境中通过pip工具安装PyTorch以及YOLOv8所基于的Ultralytics库：

pip install torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu113
pip install ultralytics

### 数据集准备

对于想要使用的特定数据集，应当遵循一定的结构以便于模型读取和处理。通常情况下，这涉及到将图像文件分类存放在不同的子目录下，并提供相应的标签文件。确保按照官方文档指导完成这些操作[^1]。

#### 创建数据集配置文件(data.yaml)

构建一个描述数据布局、类别名称及其他参数的小型YAML格式配置文件。这个文件应该至少包含如下字段：路径(`path`)到你的数据集位置；训练集(`train`)、验证集(`val`)相对或绝对路径；测试集(`test`)如果有的话；类名列表(`names`)；以及总的类别数量(`nc`)。

# data.yaml example
path: ./datasets/my_dataset/
train: images/train/
val: images/validation/
test: images/test/

nc: 5 # number of classes
names: ['class_1', 'class_2', 'class_3', 'class_4', 'class_5']

### 修改模型配置(cfg)与超参(hyp)

依据个人需求调整YOLOv8默认配置文件中的选项，比如输入尺寸大小、锚框设定等。同样重要的是要指定正确的`.yaml`文件作为命令行参数传递给训练脚本。有关具体哪些地方可能需要改动，请参照相关教程说明[^5]。

假设已经有一个适合当前任务的预设配置模板，则只需简单替换其中涉及的数据源链接即可满足基本要求。不过值得注意的是，某些高级特性或许还需要额外的研究才能充分利用起来。

### 开始训练

最后一步就是执行实际的训练过程了。利用上述提到过的各种资源——包括但不限于初始化好的网络架构权重、精心整理后的样本集合及其对应的元信息记录——启动一次完整的迭代周期直至收敛为止。

yolo train \
    model=yolov8n.yaml \           # 使用YOLOv8 nano模型或其他变体
    data=data.yaml \               # 自定义数据集配置文件的位置
    epochs=100 \                   # 总共跑多少轮次
    imgsz=640                      # 输入图片分辨率