YOLOv8 8.2 完整实战：环境搭建、数据准备、训练、推理与边缘部署

基于仓库 daved1210/yolov8_8.2.0（Ultralytics YOLOv8 8.2.22）整理的中文全流程教程。 从 Conda 环境、VOC→YOLO 标注转换、单卡/多卡训练、验证与视频推理，到 ONNX / TensorRT / RKNN 导出，覆盖日常训练与部署的关键路径。

技术范围：目标检测、实例分割、姿态估计、图像分类、旋转框检测与多目标跟踪；包含 CLI、Python API、K 折训练、VOC 转换以及 ONNX / TensorRT / RKNN 部署。

阅读建议：首次使用可按“环境搭建 → 数据准备 → 训练 → 验证 → 推理 → 导出”顺序操作；已有 YOLOv8 经验可直接查看参数速查与边缘部署章节。

---

目录

1. 项目概述：这个仓库实现了什么
2. 仓库结构与自定义增强
3. 环境搭建（Windows / Linux / GPU）
4. 数据集准备与 VOC XML 转 YOLO
5. 如何训练（单卡 / 多卡 / 断点续训）
6. K 折交叉验证训练
7. 模型验证
8. 推理：图片 / 视频 / 姿态
9. 模型导出与边缘部署
10. 关键超参数速查
11. 常见问题与实践建议
12. 总结

---

一、项目概述：这个仓库实现了什么

yolov8_8.2.0 是基于 Ultralytics YOLOv8 8.2.x 的完整工程仓库，而不是只有权重文件的 demo。 版本号在源码中声明为 __version__ = "8.2.22"，核心能力继承自官方 Ultralytics：

任务	能力说明
目标检测 Detect	边界框 + 类别，适合行人、工件、耳机等目标。
实例分割 Segment	在检测基础上输出像素级掩膜。
姿态估计 Pose	人体关键点检测与跟踪，支持骨骼锁定式预测。
图像分类 Classify	整图类别识别，仓库内含 yolov8s-cls.pt。
旋转框检测 OBB	适合航拍、仓库货架等倾斜目标。
多目标跟踪 Track	BoT-SORT / ByteTrack 等跟踪器，可直接跑视频。

本仓库的“增量价值”： 在官方框架之上，补充了中文参数注释（use.py）、VOC XML→YOLO 转换、标签统计、 10 折交叉验证拆分与训练脚本、测试视频、以及自定义权重目录 权重文件/lxh/ （含 .pt / .onnx / .engine / .xml / .bin 等导出形态），更贴近本地实战与嵌入式部署。

二、仓库结构与自定义增强

理解目录，能让训练与导出路径不踩坑：

路径 / 文件	作用
ultralytics/	YOLOv8 核心库：模型、训练、验证、推理、导出、跟踪器、solutions
use.py	中文参数手册 + 训练 / 验证 / 预测 / 导出的可复制 CLI 示例
xml转YOLO格式.py	Pascal VOC XML 标注批量转为 YOLO class x y w h 标签
查看自定义数据集标签类别及数量.py	统计 Annotations 中各类别数量
k折交叉验证.py / k折训练模型.py	10 折拆分数据集并循环训练
测试.py	检查 CUDA / GPU 名称 / torch CUDA 版本
测试视频/	推理用样例视频
权重文件/lxh/	自定义最佳权重及多格式导出产物
examples/	ONNXRuntime、OpenCV、C++、SAHI、Region Counter 等部署示例
docker/	GPU / CPU / Jetson / Conda 等 Dockerfile
docs/	完整文档源（数据集、任务、部署指南）

数据流（实战视角）

标注（VOC XML / YOLO txt）
        │  xml转YOLO格式.py / 标签统计
        ▼
数据集 YAML（path / train / val / names）
        │  yolo train 或 k折训练
        ▼
runs/detect/train*/weights/best.pt
        │  val 评估 → predict 推理
        ▼
export：ONNX / TensorRT engine / OpenVINO / RKNN
        │
        ▼
PC 实时推理 · RK3588 · Jetson · 业务系统

三、环境搭建（Windows / Linux / GPU）

3.1 推荐软件版本

组件	建议
Python	3.8 – 3.12（仓库声明支持）
PyTorch	≥ 1.8（建议匹配本机 CUDA 的官方 wheel）
CUDA / cuDNN	与显卡驱动、PyTorch 构建版本一致
系统	Windows 10/11、Ubuntu 20.04/22.04 均可
可选	Anaconda / Miniconda、Git、NVIDIA 驱动

3.2 创建 Conda 环境（仓库注释中的习惯用法）

步骤 1：创建并激活环境

conda create -n yolov8_GPU python=3.10 -y
conda activate yolov8_GPU

步骤 2：安装 PyTorch（示例：CUDA 11.8）

pip install torch torchvision --index-url https://download.pytorch.org/whl/cu118

请按本机 CUDA 版本选择对应命令，见 PyTorch 官网。

步骤 3：安装本仓库（可编辑模式）

cd yolov8_8.2.0
pip install -e .
# 或直接依赖核心包
# pip install ultralytics

步骤 4：验证 GPU 是否可用

仓库提供 测试.py：

python 测试.py

正常时应看到 True、GPU 名称，以及 torch.version.cuda。

Windows 小贴士： 训练时若 DataLoader 多进程异常，可将 workers=0。 若 OpenMP 冲突，可设置 KMP_DUPLICATE_LIB_OK=TRUE（仓库注释中也有提及）。

3.3 依赖一览（pyproject.toml）

核心依赖包括：torch、torchvision、opencv-python、pillow、pyyaml、matplotlib、scipy、pandas、seaborn、tqdm、thop 等。导出相关可选依赖：

• onnx：ONNX 导出
• openvino：Intel OpenVINO
• tensorrt（环境单独安装）：TensorRT engine
• 日志集成：TensorBoard / Comet / MLflow 等

四、数据集准备与 VOC XML 转 YOLO

4.1 YOLO 检测数据目录约定

data/
  images/          # 图片：xxx.jpg
  labels/          # 标签：xxx.txt（与图片同名）
  Annotations/     # 可选：VOC XML 原始标注
  ImageSets/       # train.txt / val.txt / test.txt（无扩展名 id）
  people.yaml      # 数据集配置（示例名）
  classes.yaml     # K 折脚本使用的类别名

每条标签一行，格式为归一化坐标：

<class_id> <x_center> <y_center> <width> <height>
# 所有值均相对原图宽高，范围 0~1

4.2 数据集 YAML 示例

# data/people.yaml
path: E:/yolov8/yolov8/data
train: images/train
val: images/val
# test: images/test

names:
  0: person
  1: helmet
  # ...

4.3 使用仓库脚本：XML → YOLO

xml转YOLO格式.py 会读取 data/Annotations/*.xml 与 data/ImageSets/{train,test,val}.txt，写出：

• data/labels/*.txt：YOLO 标签
• data/train.txt 等：图片路径列表

脚本中类别列表需改成你的真实类别，示例默认为耳机检测：

classes = ['earphone']  # 改成你的类别顺序

运行：

python xml转YOLO格式.py

4.4 标签类别与数量统计

python 查看自定义数据集标签类别及数量.py
# 默认统计目录：data/Annotations

开训前先看类别是否均衡；长尾类别往往需要更多样本、重采样或类别权重策略。

五、如何训练（单卡 / 多卡 / 断点续训）

仓库推荐优先使用 CLI（与 use.py 注释一致）。先激活环境：

conda activate yolov8_GPU

5.1 单卡训练（最常用）

yolo task=detect mode=train model=yolov8s.pt data=data/people.yaml batch=-1 epochs=1000 imgsz=640 workers=0 cache=True pretrained=True device=0 patience=1000

• model=yolov8s.pt：从小/中模型起步更稳；精度优先可换 yolov8m/l/x.pt
• batch=-1：自动 batch（AutoBatch），按显存自适应
• cache=True：缓存加速读图（内存够时很香）
• workers=0：Windows 更稳妥
• 结果默认写入 runs/detect/train*/，最佳权重为 weights/best.pt

5.2 从已有 best 权重继续微调

yolo task=detect mode=train model=runs/detect/train11/weights/best.pt data=data/people.yaml batch=-1 epochs=500 imgsz=640 workers=20 cache=True device=0 patience=200

5.3 多卡训练

yolo task=detect mode=train model=yolov8n.pt data=data/people.yaml batch=32 epochs=100 imgsz=640 workers=16 device=0,1,2,3

5.4 中断恢复（resume）

yolo train resume model=runs/detect/train4/weights/last.pt

last.pt 保存优化器状态，适合意外中断后接着跑；迁移到新数据时更常见是加载 best.pt 重新开训。

5.5 Python API 等价写法

from ultralytics import YOLO

model = YOLO("yolov8s.pt")  # 或 yolov8s.yaml + 预训练权重
results = model.train(
    data="data/people.yaml",
    epochs=100,
    imgsz=640,
    batch=-1,
    device=0,
    workers=0,
    cache=True,
    pretrained=True,
)

六、K 折交叉验证训练

小样本场景下，单次 train/val 划分容易“运气好/运气差”。仓库提供 10 折流程：

1. 修改 k折交叉验证.py 中的 dataset_path、classes.yaml 路径
2. 运行拆分：生成 split_1 ... split_10 与各自 yaml，并写入 data/file_paths.txt
3. 运行 k折训练模型.py 循环训练每一折

python k折交叉验证.py
python k折训练模型.py

训练脚本核心逻辑（简化）：

from ultralytics import YOLO
model = YOLO("checkpoints/yolov8s.pt", task="train")
for dataset_yaml in ds_yamls:
    model.train(data=dataset_yaml, batch=-1, epochs=10, imgsz=640,
                device=0, workers=0, cache=True)

实践建议： K 折用于评估方法稳定性；最终上线模型可用全量数据再训一版，或挑选验证集表现最好的折权重做集成。

七、模型验证

yolo task=detect mode=val model=runs/detect/train/weights/best.pt data=data/people.yaml device=0

关注指标：

• mAP50：IoU=0.5 时的平均精度，业务上常用
• mAP50-95：更严格，衡量定位质量
• Precision / Recall：误检与漏检权衡
• 速度：结合后续 export 在目标硬件复测

验证侧常见参数（见 use.py）：

参数	默认	说明
conf	0.001（val）	置信度阈值；预测时常设 0.25~0.5
iou	0.6	NMS IoU 阈值
max_det	300	每图最大检测数
half	True	FP16 加速（硬件支持时）
plots	False	是否输出可视化曲线/混淆矩阵等

八、推理：图片 / 视频 / 姿态

8.1 检测推理（视频示例）

yolo task=detect mode=predict model=runs/detect/train8/weights/best.pt source=测试视频/2.mp4 device=0 conf=0.4 iou=0.5

指定输入分辨率（例如 1080p 视频）：

yolo task=detect mode=predict model=yolov8x.pt source=1.mp4 device=0 imgsz=1080,1920 conf=0.6

使用 TensorRT engine 加速：

yolo task=detect mode=predict model=yolov8x.engine source=1.mp4 device=0 imgsz=1080,1920 conf=0.5

8.2 姿态估计（骨骼）

yolo pose predict model=yolov8x-pose.pt source=测试视频/2.mp4

8.3 Python 推理 API

from ultralytics import YOLO

model = YOLO("权重文件/lxh/best.pt")  # 或 best.engine / best.onnx
results = model.predict(source="测试视频/2.mp4", conf=0.4, device=0, save=True)

for r in results:
    boxes = r.boxes   # 框、置信度、类别
    # r.plot() 可得到绘制结果图

8.4 常用预测参数

参数	含义
source	图片 / 文件夹 / 视频 / 摄像头（如 0）
conf	置信度阈值，越高越“保守”
iou	NMS 重叠抑制
save / save_txt / save_crop	保存可视化、txt 标签、裁剪目标
show	实时窗口显示
classes	只保留指定类别，如 classes=0
line_thickness	框线粗细
vid_stride	视频抽帧步长，提速用

九、模型导出与边缘部署

训练得到的 best.pt 适合研究迭代；上线通常需要导出：

# ONNX
yolo task=detect mode=export model=runs/detect/train/weights/best.pt format=onnx

# TensorRT engine（需本机 TensorRT）
yolo task=detect mode=export model=runs/detect/train/weights/best.pt format=engine

# 指定动态输入尺寸示例
yolo task=detect mode=export model=yolov8x.pt format=engine imgsz=1080,1920

# TorchScript
yolo task=detect mode=export model=yolov8n.pt format=torchscript

9.1 导出参数速记

参数	说明
format	onnx / engine / torchscript / openvino 等
half	FP16，减体积、提速
int8	INT8 量化，边缘端常用
dynamic	动态输入尺寸（ONNX/TensorRT）
simplify	简化 ONNX 图
workspace	TensorRT 构建工作空间（GB）

9.2 RK3588 + RKNN（仓库注释中的路径）

典型流程： PyTorch .pt → 导出 .onnx → 在瑞芯微 rknn_model_zoo 中量化转换 → 板端推理。

# 1) 导出 onnx 后，在 Ubuntu + conda 环境中：
conda activate yolov8
cd rknn_model_zoo-1.6.0/examples/yolov8/python
python convert.py yolov8n.onnx rk3588 i8
# 含义：转换脚本 + onnx 路径 + 芯片型号 + int8 量化

仓库 权重文件/lxh/ 中同时保留 best.pt / best.onnx / best.engine / best.xml / best.bin，说明该项目已走过多后端导出链路，可按目标芯片选择对应产物。

9.3 更多部署示例

examples/ 目录提供 ONNXRuntime（Python/C++/Rust）、OpenCV DNN、LibTorch C++、SAHI 切片推理、区域计数等模板，适合接到实际业务工程。

十、关键超参数速查

以下摘自仓库 use.py 中文注释，训练时优先调这几项：

参数	常见起点	备注
epochs	100~300	小数据可更大并配合 early stop
imgsz	640	小目标可试 960/1280，显存与速度换精度
batch	16 或 -1	-1 为 AutoBatch
lr0	0.01（SGD）	Adam 系列通常更小
lrf	0.01	最终学习率 = lr0 * lrf
optimizer	SGD / AdamW	检测任务 SGD 很常用
patience	50~200	验证指标不提升则早停
close_mosaic	10	最后 N 个 epoch 关闭马赛克增强
weight_decay	0.0005	抑制过拟合
box / cls / dfl	7.5 / 0.5 / 1.5	损失权重，类别极不平衡时可微调 cls

十一、常见问题与实践建议

Q1. 显存不够？

• 减小 imgsz 或 batch，或使用 batch=-1
• 换更小模型：n/s 优先
• 导出时再考虑 FP16/INT8，而不是先上最大模型硬训

Q2. Windows 训练 DataLoader 报错？

设 workers=0；必要时检查杀毒软件对大量小文件读取的拦截。

Q3. mAP 上不去？

• 先用 查看自定义数据集标签类别及数量.py 查类别分布与漏标
• 确认 XML→YOLO 时 classes 顺序与 yaml 的 names 一致
• 小目标：提高分辨率、检查标注框质量
• 过拟合：增强数据、早停、增大训练样本多样性

Q4. 推理结果框太多 / 太少？

调 conf 与 iou：框太多升高 conf 或降低 iou 敏感性；漏检则适当降低 conf，并回到验证集看 Recall。

Q5. 直接用官方 pip 包还是本仓库源码？

学习与二次开发建议用本仓库可编辑安装；若只做标准训练推理，也可 pip install ultralytics。本仓库的差异主要在中文实战脚本、K 折流程、导出产物与测试素材。

十二、总结

daved1210/yolov8_8.2.0 把 Ultralytics YOLOv8 8.2 的完整能力，收敛成一套可本地落地的中文实战工程： 环境可复现、数据可转换、训练可恢复、验证可量化、推理可跑视频、导出可对接 TensorRT / RKNN。

如果你按本文顺序推进，推荐路径是：

1. 搭好 GPU 环境并用 测试.py 验收
2. 整理数据 → XML 转换 → 标签统计 → 写好 yaml
3. 小模型快速 baseline（如 yolov8s）
4. 看 val 指标，再考虑换大模型或 K 折评估
5. 按部署目标 export，并在真实视频上回归 conf/iou

---

参考仓库：GitHub daved1210/yolov8_8.2.0（私有实践仓）· 上游项目 Ultralytics YOLOv8 · 文档：docs.ultralytics.com
本文根据仓库 README、源码版本号、自定义脚本（use.py / 数据转换 / K 折 / 导出注释）整理，便于复现实验与部署。