从零开始跑通yolov8基线

一、环境的搭建

1.1 下载python3.10

cd/mnt/9f931cdb-179d-4c9f-9779-76ecfecd9560/student/wr/YOLOv8# 创建 conda 环境conda create-p./envs/yolov8python=3.10-y

激活环境

conda activate /mnt/9f931cdb-179d-4c9f-9779-76ecfecd9560/student/wr/YOLOv8/envs/yolov8

设置短别名
以后直接 act_yolo 就能激活。

echo"alias act_yolo='conda activate /mnt/9f931cdb-179d-4c9f-9779-76ecfecd9560/student/wr/YOLOv8/envs/yolov8'">>~/.bashrcsource~/.bashrc

act_yolo

升级pip

pipinstall--upgradepip

1.2、安装 PyTorch 2.5.1 + CUDA 12.4

pipinstalltorch==2.5.1torchvision==0.20.1torchaudio==2.5.1\-f https://mirrors.tuna.tsinghua.edu.cn/pytorch-wheels/cu124/torch_stable.html

检查安装结果

python-c" import torch print('PyTorch:', torch.__version__) print('CUDA available:', torch.cuda.is_available()) print('CUDA version:', torch.version.cuda) print('GPU:', torch.cuda.get_device_name(0) if torch.cuda.is_available() else 'None') print('cuDNN:', torch.backends.cudnn.is_available()) "

1.3 安装 Ultralytics

pipinstallultralytics==8.3.54"protobuf==4.25.3"

检查

python-c" import torch from ultralytics import YOLO print('PyTorch:', torch.__version__) print('CUDA available:', torch.cuda.is_available()) print('CUDA version:', torch.version.cuda) print('GPU:', torch.cuda.get_device_name(0) if torch.cuda.is_available() else 'None') print('cuDNN:', torch.backends.cudnn.is_available()) print('Ultralytics imported OK') "

二、初步了解YOLOv8

2.1 Ultralytics类似于mmseg 而yolo类似于segformer

类比

区别

2.2 操作以及训练的区别

Ultralytics源码位置

一般的普通训练

创新改进算法

三、数据集OGSOD2

OGSOD2/ ├── rgb/ ← 光学（可见光）模态 │ ├── train/ │ │ ├── images/18773张 .png │ │ └── labels/18773个 .txt（YOLO 格式） │ └── test/ │ ├── images/4676张 .png │ └── labels/4676个 .txt │ ├── sar/ ← SAR（合成孔径雷达）模态 │ ├── images/{train,test}/ 同上，18773 +4676│ ├── labels/{train,test}/ 同上 │ └── annotations/3个 COCO 格式 json │ ├── *.py 前人写的工具脚本 │ ├── check.py COCO json 校验 │ ├── yolo-json.py YOLO → COCO 转换 │ ├── sort.py 批量重命名 │ ├── draw.py, label_vis.py 标注可视化 │ ├── predict_vis.py 推理可视化 │ ├── findblank.py 找空标注 │ └── rename.py 重命名

四、开始训练（以RGB为例子）

4.1 数据集配置文件

告诉代码数据集位置，结构，标签名

# OGSOD2 RGB baseline# 3 classes, val = test (temporary)path:/mnt/9f931cdb-179d-4c9f-9779-76ecfecd9560/student/wr/YOLOv8/data/OGSOD2/rgbtrain:train/imagesval:test/imagestest:test/imagesnc:3names:0:Bridge1:Harbor2:Oil-tank

数据集根目录

YOLOv8 图像与标签简化写法


类别

我们之前做的项目有多个配置文件
1、数据集配置文件————》yolov8里只需要这一个配置文件
2、模型结构————》在下载预训练权重时附带
3、学习率、优化器、epoch超参数————》在命令行里显示指定
4、日志、checkpoint等————》
5、主配置文件，继承上面四个

下载预训练权重

cd/mnt/9f931cdb-179d-4c9f-9779-76ecfecd9560/student/wr/YOLOv8/weightcurl-L-oyolov8n.pt https://github.com/ultralytics/assets/releases/download/v8.3.0/yolov8n.ptls-lhyolov8n.pt

cd/mnt/9f931cdb-179d-4c9f-9779-76ecfecd9560/student/wr/YOLOv8

4.3 先跑一个epoch验证整条链路（数据加载 → 模型 → GPU → 保存）都通。

4.3.1 训练的一些量级单位

一个 iteration一次迭代：迭代一次更新一次参数
Batch批次：一次喂给模型一组Batch （一组样本集合）
Batch Size== 批量：一组样本集合有多少张图片
Epoch== 轮次: 整个训练集完整过一遍

4.3.2 训练命令

cd/mnt/9f931cdb-179d-4c9f-9779-76ecfecd9560/student/wr/YOLOv8 yolo detect traindata=configs/ogsod2_rgb.yamlmodel=weight/yolov8n.ptepochs=1imgsz=256batch=64project=runs/detectname=smoke_testexist_ok=True

五、输出结果

5.1 日志

5.2 权重

这里只保存 best 和 last，可以再续训练

六、完整训练

cd/mnt/9f931cdb-179d-4c9f-9779-76ecfecd9560/student/wr/YOLOv8mkdir-plogsls-lah

cd/mnt/9f931cdb-179d-4c9f-9779-76ecfecd9560/student/wr/YOLOv8nohupyolo detect traindata=configs/ogsod2_rgb.yamlmodel=weight/yolov8n.ptepochs=100imgsz=256batch=64cache=Trueworkers=8project=runs/detectname=rgb_baselineexist_ok=True>logs/rgb_baseline.log2>&1&

成功会输出类似：

[1]12345

立即看日志确认启动

tail-n30logs/rgb_baseline.log

确认进程在跑

jobs

nvidia-smi

补充：

1、快速打开本项目

cd/mnt/9f931cdb-179d-4c9f-9779-76ecfecd9560/student/wr/YOLOv8 act_yolo