一、YOLO V8
YOLO V8是由2023年ultralytics公司开源的发布，是结合了前几代YOLO的融合改进版。YOLO V8支持全方位的视觉AI任务，包括检测、分割、姿态估计、跟踪和分类。并且在速度和准确性方面具有无与伦比的性能。能够应用在各种对速度和精度要求较高的应用和领域。
网络结构如下图所示：
YOLO V8相对于YOLO V5还是有很大的不同，例如：YOLO V8相对于YOLO V5，依然使用的是CSP的思想，不过将V5中的C3模块换成了C2F模块，以减轻模型的大小，也依旧使用V5架构中的SPPF模块。但是在PAN-FPN层面，V8将V5中的上采样阶段中的卷积结构去除了。同时借鉴了YOLOX的Decoupled-Head结构，分类和回归两个任务的HEAD不再共享参数等。
在模型上 V8 和 V5 类似，包括不同大小的模型，从小到大包括：yolov8n、yolov8s、yolov8m、yolov8l、yolov8x等：
模型的比较如下：
更多的介绍可以参考官方的文档：
https://docs.ultralytics.com/de/models/yolov8/
本文借助ultralytics中YOLO V8迁移训练自定义的目标检测模型，在本次的实验中，主要训练一个人脸检测模型，包括数据标注、数据拆分、训练、测试等过程。
本次采用ultralytics公司发布的ultralytics框架，可以帮助开发人员高效完成数据训练和验证任务，由于ultralytics默认采用的为PyTorch框架，因此实验前请安装好cuda和torch环境，如果没有GPU环境，由于YOLO V8已经足够轻量级，使用CPU也是可以训练。
安装ultralytics库：
pipinstallultralytics-ihttps://pypi.tuna.tsinghua.edu.cn/simpleultralytics使用文档：
https://docs.ultralytics.com/zh/quickstart/#use-ultralytics-with-python
测试YOLO V8的效果：
测试图片：
这里使用yolov8n模型，如果模型不存在会自动下载
fromultralyticsimportYOLO# Load a modelmodel=YOLO('yolov8n.pt')# pretrained YOLOv8n modelresults=model.predict('./img/1.png')# Show resultsresults[0].show()二、数据收集及标注
图像数据可以从网上找一些或者自己拍摄，我这里准备了一些 人 的图片：
这里可以准备两个目录，data/images和data/labels，其中labels存放标注后的文件，将收集到的图像放在images目录下：
下面使用labelimg工具进行标注，如果没有安装，使用下面命令安装：
pipinstalllabelimg-ihttps://pypi.tuna.tsinghua.edu.cn/simple然后在控制台输入：labelimg打开可视化工具：
注意：数据集格式默认是VOC格式的，要选择为YOLO，我这里的人脸标签为face，这个后面需要使用到。
标注完成后，可以在/data/labels下看到标注后的文件：
三、数据拆分
这里拆分为90%的训练集，10%的验证集，拆分脚本如下，
importosimportshutilfromtqdmimporttqdm# 图片地址image_dir="data/images/"# 标准文件地址label_dir="data/labels/"# 训练集的比例training_ratio=0.9# 拆分后数据的位置train_dir="train_data"defsplit_data():list=os.listdir(image_dir)all=len(list)train_count=int(all*training_ratio)train_images=list[0:train_count]val_images=list[train_count:]# 训练集目录os.makedirs(os.path.join(train_dir,"images/train"),exist_ok=True)os.makedirs(os.path.join(train_dir,"labels/train"),exist_ok=True)# 验证集目录os.makedirs(os.path.join(train_dir,"images/val"),exist_ok=True)os.makedirs(os.path.join(train_dir,"labels/val"),exist_ok=True)# 训练集withopen(os.path.join(train_dir,"train.txt"),"w")asfile:file.write("\n".join([train_dir+"images/train/"+image_fileforimage_fileintrain_images]))print("save train.txt success!")# 拷贝数据foritemintqdm(train_images):label_file=item.replace(".jpg",".txt")shutil.copy(os.path.join(image_dir,item),os.path.join(train_dir,"images/train/"))shutil.copy(os.path.join(label_dir,label_file),os.path.join(train_dir,"labels/train/"))# 验证集withopen(os.path.join(train_dir,"val.txt"),"w")asfile:file.write("\n".join([train_dir+"images/val/"+image_fileforimage_fileinval_images]))print("save val.txt success!")# 拷贝数据foritemintqdm(val_images):label_file=item.replace(".jpg",".txt")shutil.copy(os.path.join(image_dir,item),os.path.join(train_dir,"images/val/"))shutil.copy(os.path.join(label_dir,label_file),os.path.join(train_dir,"labels/val/"))if__name__=='__main__':split_data()
可以在train_data中看到拆分后的数据集格式：
四、训练
使用 ultralytics 框架训练非常简单，仅需三行代码即可完成训练，不过在训练前需要编写YAML配置信息，主要标记数据集的位置。
创建face.yaml文件，写入下面内容：
path:D:/pyProject/yolov8/train_data# 数据集的根目录, 建议使用绝对路径train:images/train# 训练集图像目录val:images/val# 验证集图像目录test:# test images (optional)# 分类names:0:face注意分类中的face就是上面标注时的标签名。
开始训练：
fromultralyticsimportYOLO# 加载模型model=YOLO('yolov8n.pt')# 训练model.train(data='face.yaml',# 训练配置文件epochs=50,# 训练的周期imgsz=640,# 图像的大小device=[0],# 设备，如果是 cpu 则是 device='cpu'workers=0,lr0=0.001,# 学习率batch=8,# 批次大小amp=False# 是否启用混合精度训练)运行后可以看到打印的网络结构：
训练中：
训练结束后可以在runs目录下面看到训练的结果：
其中weights下面的就是训练后保存的模型，这里可以先看下训练时loss的变化图：
五、模型测试
使用best.pt模型
fromultralyticsimportYOLO# 加载模型model=YOLO('runs/detect/train/weights/best.pt')# 预测results=model.predict('data/images/8.jpg')# Show resultsresults[0].show()
)
