1.数据集的准备

首先打开yolov8的文件夹如下：

进入该文件夹的datasets文件夹如下:

再进入该文件夹有

可以看到，有images和labels两个文件夹，下面分别进入两个文件夹：

1. images/

再进入train文件夹有

这就是训练用的图片。进入val文件夹有

2. labels/

进入train文件夹有

以上是对应的4张图片的label 文件，我们打开一个txt文件如下:

这是标签文件.

其实，我们就是要制作这种数据集作为训练的数据集。

2.训练模型

在第一个文件夹进入test文件夹如下,

建立一个1_train.py文件，里面的代码如下：

from ultralytics import YOLO

model = YOLO("yolov8n.yaml").load("yolov8n.pt")

if __name__=="__main__":

    results = model.train(data = "coco8-seg.yaml", epochs = 100, imgsz=640)

    # metrics = model.val()

运行这个代码就可以训练了，训练结果如下：

训练的模型如下：

至此，训练结束！！！

3.预测模型

和训练一样，进入test文件夹，建立2_predict.py文件，代码如下：

from ultralytics import YOLO
#from PIL import Image
import cv2

model = YOLO("yolov8n.pt")
# # 接受所有格式-image/dir/Path/URL/video/PIL/ndarray。0用于网络摄像头
# results = model.predict(source="0")
# results = model.predict(source="folder", show=True) # 展示预测结果

# # from PIL
# im1 = Image.open("img1.jpg")
# results = model.predict(source=im1, save=True)  # 保存绘制的图像

# from ndarray
im2 = cv2.imread("img2.jpg")
results = model.predict(source=im2, save=True, save_txt=True)  # 将预测保存为标签
print()
for item in results:
    if item == "name":
        print(item)
    if item == "save_dir":
        print(item)
    if item == "path":
        print(item)
# # from list of PIL/ndarray
# results = model.predict(source=[im1, im2])

测试效果如下：

我们根据提示，进入文件夹 runs\detect\predict6 找到图片image0.jpg，打开图片的测试结果如下：

至此，训练和测试的大概步骤就完成了。