Python+YOLO v8 实战：手把手教你打造专属 AI 视觉目标检测模型

在 AI 视觉领域，目标检测无疑是核心技术之一。而 YOLO 系列算法凭借其高效、精准的特点，一直备受青睐。今天，就让我们深入学习如何使用 Python 结合 Ultralytics 库中的 YOLO v8，训练和开发属于自己的 AI 视觉模型，实现动态目标检测！无论应用于现实场景，还是满足网络需求，掌握这一技能都能让你轻松应对各种识别任务。

一、什么是 YOLO？

YOLO，全称 You Only Look Once，是基于 CNN（卷积神经网络）的算法，在 AI 视觉模型开发领域占据着重要地位。目前，YOLO 由 Ultralytics 公司开发并维护，而 YOLO v8 版本是 Ultralytics 官方发布的最新稳定版本，也是其开源库中强大的算法工具。通过 YOLO，模型能够对输入的图像或视频进行快速分析，一次性预测多个目标的类别和位置，极大地提升了检测效率。

官方网站：Ultralytics.com

二、环境搭建：准备好你的 “战场”

在开启 YOLO v8 的学习之旅前，我们需要先搭建好运行环境。具体步骤如下：

1. 安装 Python 解释器和 PyCharm

• 下载并安装适合你操作系统的 Python 版本，建议选择较新版本，以获取更好的兼容性和性能。
• 安装 PyCharm，它是一款功能强大的 Python 集成开发环境（IDE），能为我们的代码编写、调试和项目管理提供诸多便利。
• PyCharm不是必须的，也可以使用其他工具哦，如：Trae CN（推荐）

2. 安装三方库：Ultralytics

打开 PyCharm 的终端或命令行界面，输入以下命令安装 Ultralytics 库：

pip install ultralytics

安装完成后，我们就可以开始使用 YOLO v8 了！

三、加载预训练模型：站在 “巨人” 的肩膀上

预训练模型是 YOLO v8 快速实现目标检测的关键，它已经在大量数据上进行了训练，具备一定的目标识别能力。我们可以直接加载这些模型，在此基础上进行微调或训练，节省时间和计算资源。

1. 导入 YOLO

在 Python 代码中，通过以下方式导入 YOLO：

from ultralytics import YOLO

当 Ultralytics 库检测到本地没有 yolov8n.pt 预训练模型时，会自动从官方源下载完整的模型文件。不过，由于网络等原因，自动下载可能会失败。这时，你可以手动从 YOLOv8 官方发布页 下载 yolov8n.pt，并将其放置到你的项目目录下，这样就能顺利使用预训练模型啦！

官网下载：

https://docs.ultralytics.com/zh/models/yolov8/#performance-metrics

小贴士：如果下载速度较慢，可以尝试更换 pip 源，使用国内镜像源，如阿里云、清华大学等镜像源，能显著提升下载速度。

2. 初次使用，检测是否正常加载

# 加载预训练模型
from ultralytics import YOLO

# 加载预训练模型
model = YOLO("yolov8n.pt")  # 使用YOLOv8 Nano版本作为起点
# 查看版本信息
print(model.info())
print("加载完成")

3. 图片验证

# 加载预训练模型
from ultralytics import YOLO

# 加载预训练模型
model = YOLO("yolov8n.pt")  # 使用YOLOv8 Nano版本作为起点

model('./img/r.png', save=True, show=True)

验证图片1

验证图片2

选中 './img/r.png' 图片做为检测目标，检测后的图将保存到 runs 目录下，标记处检测框。

• save=True：保存检测结果
• show=True：显示检测结果

四、训练图片和标注

1. 准备数据集结构文件

数据集结构图片

数据集结构图片

根目录创建 1 个文件夹（可自定义名称），如：xl，下面再创建 2 个文件夹（images 和 labels），images 和 labels 下再分别创建 2 个文件夹（train 和 val）。

• images 下的 train 和 val 放入训练图片（png、jpg）。
• labels 下的 train 和 val 放入图片标注（txt）。

2. 标注照片素材

准备一些照片素材，通过 YOLO 目标检测标注工具进行标注。可以使用作者写的标注工具《YOLO目标检测标注工具》。关注“Harry技术”公众号，发送 标注 关键字，获取下载地址以及源代码。我已经将工具打包成exe，可以直接使用。

五、训练模型

# 加载预训练模型
from ultralytics import YOLO

# 加载预训练模型
model = YOLO("yolov8n.pt")  # 使用YOLOv8 Nano版本作为起点

# 训练模型
results = model.train(data="data.yaml",  # 使用自定义数据集进行训练
                      epochs=500,  # 训练500个周期
                      imgsz=640,  # 调整图像大小
                      batch=16,  # 减少批次大小
                      device='cpu'  # 使用CPU进行训练
                      )  

print("训练完成")

path: D:\PyProjects\yolo\xl # 预训练模型路径
train: images/train # 训练集
val: images/val # 验证集
nc: 1 # 类别数
names: ['car-number'] # 类别名

训练结果图片1

训练结果图片2

为了截图，这里开 30 个周期，建议你实际操作中，训练更多周期次数，多找一些图片内容标注，这样在检测的时候会更接近预期。

训练完成的结果会显示在 runs\detect\train\weights 下，找到 best.pt 测试一下验证结果。在 YOLO（如 YOLOv8）训练过程中，best.pt 和 last.pt 是两种自动生成的模型权重文件，主要区别如下：

1. best.pt（最佳模型）

• 定义：训练过程中在验证集上表现「最佳」的模型权重文件（通常以验证指标如 mAP（平均精度均值）或损失值为判断标准）。
• 特点：保存的是训练过程中验证指标最优时的模型状态（例如某一 epoch 验证损失最低或 mAP 最高时的权重）。
• 用途：通常作为最终使用的模型（如推理、部署），因为它代表了训练过程中模型的最佳性能。

2. last.pt（最后模型）

• 定义：训练结束时最后一个 epoch 保存的模型权重文件。
• 特点：保存的是训练终止时的模型状态（可能不是验证指标最优的，但包含完整的训练状态，如优化器参数、当前 epoch 等）。
• 用途：主要用于恢复训练（如训练中断后继续从该状态续训），或用于观察模型最终的收敛情况（可能不如 best.pt 效果好）。

总结：

• 推理/部署时优先使用 best.pt（性能更优）；
• 恢复训练或调试时使用 last.pt（保留最新训练状态）。

你当前代码中加载 best.pt 是合理的，符合「使用最佳模型推理」的常规场景。

训练结果图片3

训练结果图片4

六、验证自己训练的模型

# 加载预训练模型
from ultralytics import YOLO

# 加载预训练模型
# model = YOLO(r'D:\PyProjects\yolo\runs\detect\train\weights\best.pt')  # 使用自己训练的模型
model = YOLO("best.pt")  # 使用自己训练的模型

# model('./img/1.png', save=True)
# model('./img/2.png', save=True)
# model('./img/3.png', save=True)
# model('./img/4.png', save=True)
# model('./img/5.png', save=True)
# model('./img/6.png', save=True)
# model('./img/7.png', save=True)
# model('./img/8.png', save=True)
# model('./img/9.png', save=True)
# model('./img/2.mp4', save=True, show=True)

通过以上步骤，你就可以使用 Python 和 YOLO v8 训练出属于自己的 AI 视觉目标检测模型啦！赶紧动手试试吧！