当前位置：首页 > backend >正文

深度学习目标检测实战——YOLOv8从入门到部署

backend 2025/7/21 6:23:20

本文将手把手带你用 YOLOv8（目前非常先进的目标检测框架）实现从数据标注到模型部署的全流程实战，并达到工业级检测精度！

[yolo视频教程，戳蓝字即可学习]

这才是科研人该学的【YOLO算法全系列】，一口气学完目标检测yolov1-v11，100集算法原理+项目实战，通俗易懂，草履虫都能轻松学会！机器学习|深度学习

一、目标检测技术演进

二、YOLOv8 核心优势

精度更高：引入动态正样本分配策略
速度更快：基于PyTorch的极致优化
部署友好：支持ONNX/TensorRT/OpenVINO
生态完善：官方提供训练/部署全流程工具链

三、环境配置（5分钟极速搭建）

# 创建虚拟环境
conda create -n yolov8 python=3.8
conda activate yolov8
# 安装核心库
pip install ultralytics albumentations roboflow
# 验证安装
yolo checks

四、实战：口罩佩戴检测

1. 数据集准备（使用RoboFlow）

from roboflow import Roboflow# 下载公开数据集rf = Roboflow(api_key="YOUR_API_KEY")project = rf.workspace("vijay-projects").project("face-mask-detection-yolov8")dataset = project.version(3).download("yolov8")

数据集结构：


face-mask-detection-yolov8-3/
├── train/
│   ├── images/
│   └── labels/
├── valid/
├── test/
└── data.yaml

2. 数据可视化（查看标注效果）

from ultralytics.yolo.data.utils import visualize_dataset
visualize_dataset(dataset_path="data.yaml", save_dir="./vis_results")

五、模型训练（单GPU/CPU均可）

1. 基础训练命令

yolo task=detect mode=train model=yolov8n.pt data=data.yaml epochs=100 imgsz=640

2. 高级训练（custom_train.py）

from ultralytics import YOLO
model = YOLO("yolov8n.yaml")
results = model.train(data="data.yaml",epochs=100,batch=16,imgsz=640,lr0=0.01,optimizer="AdamW",augment=True,  # 启用Mosaic数据增强dropout=0.2,   # 防止过拟合device=0       # 0代表第一个GPU
)

3. 训练过程监控

tensorboard --logdir runs/detect/train

六、模型评估与优化

1. 性能评估

yolo val model=runs/detect/train/weights/best.pt data=data.yaml

输出结果：

Class     Images  Instances      P      R      mAP50
all        500       1500    0.892   0.865    0.901
masked     500        750    0.907   0.882    0.923
unmasked   500        750    0.878   0.848    0.879

2. 模型优化技巧

知识蒸馏（小模型加速）

teacher = YOLO("yolov8x.pt")
student = YOLO("yolov8n.pt")
student.train(..., teacher=teacher)

量化压缩（部署加速）

yolo export model=best.pt imgsz=640 format=onnx int8

七、模型部署（全平台覆盖）

1. ONNX Runtime部署（Python）

import cv2
import onnxruntime
class YOLOv8Detector:def __init__(self, model_path):self.session = onnxruntime.InferenceSession(model_path)self.input_name = self.session.get_inputs()[0].namedef detect(self, image):# 预处理blob = cv2.dnn.blobFromImage(image, 1/255.0, (640, 640))# 推理outputs = self.session.run(None, {self.input_name: blob})# 后处理boxes, scores, class_ids = self._postprocess(outputs)return boxes, scores, class_ids