Python YOLOv8 进阶教程
一、YOLOv8 技术深度解析
1.1 YOLO 算法发展历程
YOLO(You Only Look Once)是由 Joseph Redmon 等人提出的单阶段目标检测算法,自 2016 年发布以来经历了多次迭代:
- YOLOv1:首次提出单阶段检测思想,将目标检测转化为回归问题
- YOLOv2:引入批量归一化、锚框机制和多尺度训练,提升检测精度
- YOLOv3:使用 Darknet-53 骨干网络,引入多尺度预测和残差连接
Python YOLOv8 的目标检测、实例分割、姿态估计及图像分类等核心功能。内容涵盖 YOLOv8 技术背景、环境搭建、模型训练与评估、高级应用技巧(如 NMS、量化、多 GPU 训练)、实战项目案例(智能监控、交通流量统计)以及常见问题解决方案。文章提供了完整的代码示例,帮助开发者快速掌握 YOLOv8 的使用与部署。
YOLO(You Only Look Once)是由 Joseph Redmon 等人提出的单阶段目标检测算法,自 2016 年发布以来经历了多次迭代:
YOLOv8 在保持 YOLO 系列一贯的高速检测特性的同时,在精度和易用性上有了显著提升:
YOLOv8 提供了多种尺寸的模型,以平衡检测速度和精度:
| 模型 | 输入尺寸 | 参数量 (M) | FLOPs(B) | COCO mAP | 速度 (ms) |
|---|---|---|---|---|---|
| n | 640x640 | 3.2 | 8.7 | 53.9 | 0.9 |
| s | 640x640 | 11.2 | 28.6 | 60.9 | 2.0 |
| m | 640x640 | 25.9 | 78.9 | 64.8 | 2.7 |
| l | 640x640 | 43.7 | 165.2 | 67.2 | 4.6 |
| x | 640x640 | 68.2 | 257.8 | 68.8 | 6.8 |
# 安装 ultralytics
pip install ultralytics
# 安装 OpenCV
pip install opencv-python
# 安装 PyTorch(可选,用于自定义训练)
pip install torch torchvision
# 安装其他依赖
pip install numpy matplotlib pillow
from ultralytics import YOLO
# 加载模型
model = YOLO("yolov8n.pt")
# 打印模型信息
model.info()
如果输出模型的详细信息,则说明安装成功。
from ultralytics import YOLO
import cv2
# 加载模型
model = YOLO("yolov8n.pt")
# 单张图片检测
results = model("test.jpg")
# 多张图片检测
results = model(["test1.jpg", "test2.jpg", "test3.jpg"])
# 保存检测结果
for i, result in enumerate(results):
result.save(filename=f"result_{i}.jpg")
# 视频文件检测
results = model("test.mp4", save=True)
# 实时摄像头检测
results = model(0, show=True, save=True)
# 0 表示默认摄像头
YOLOv8 支持实例分割任务,可以同时检测目标并分割其轮廓:
# 加载分割模型
model = YOLO("yolov8n-seg.pt")
# 分割检测
results = model("test.jpg")
# 保存分割结果
results[0].save(filename="segment_result.jpg")
YOLOv8 可以检测人体关键点,用于姿态分析:
# 加载姿态估计模型
model = YOLO("yolov8n-pose.pt")
# 姿态检测
results = model("person.jpg")
# 保存姿态估计结果
results[0].save(filename="pose_result.jpg")
YOLOv8 还支持图像分类任务:
# 加载分类模型
model = YOLO("yolov8n-cls.pt")
# 图像分类
results = model("cat.jpg")
# 打印分类结果
print(results[0].probs)
# 概率分布
print(results[0].probs.top1)
# 最高置信度类别
YOLOv8 支持 COCO 格式的数据集,数据集结构如下:
dataset/
├── images/
│ ├── train/
│ └── val/
└── labels/
├── train/
└── val/
# 加载模型
model = YOLO("yolov8n.pt")
# 训练模型
results = model.train(
data="dataset.yaml",
epochs=100,
batch=16,
imgsz=640,
device="cuda:0",
project="my_project",
name="exp1"
)
# 评估模型
results = model.val()
# 打印评估结果
print(results.box.map) # [email protected]:0.95
print(results.box.map50) # [email protected]
print(results.box.map75) # [email protected]
# 导出为 ONNX 格式
model.export(format="onnx")
# 导出为 TensorRT 格式
model.export(format="engine")
# 导出为 CoreML 格式
model.export(format="coreml")
# 导出量化模型
model.export(format="onnx", int8=True) # 8 位量化
model.export(format="onnx", fp16=True) # 16 位浮点量化
# 自定义 NMS 阈值
results = model("test.jpg", conf=0.5, iou=0.7)
# 只检测特定类别
results = model("test.jpg", classes=[0, 2, 5])
# 只检测人、车、自行车
# 过滤低置信度结果
for result in results:
boxes = result.boxes
for box in boxes:
if box.conf[0] > 0.7:
print(f"{model.names[int(box.cls[0])]}: {box.conf[0]:.2f}")
# 多 GPU 训练
results = model.train(
data="dataset.yaml",
epochs=100,
batch=32,
device=[0, 1]
)
# 混合精度训练
results = model.train(
data="dataset.yaml",
epochs=100,
amp=True
)
from ultralytics import YOLO
import cv2
import time
import smtplib
from email.mime.text import MIMEText
# 加载模型
model = YOLO("yolov8n.pt")
# 打开摄像头
cap = cv2.VideoCapture(0)
# 异常行为检测函数
def detect_abnormal(results):
abnormal = False
for result in results:
boxes = result.boxes
for box in boxes:
cls = box.cls[0]
# 检测火灾(类别 0)和烟雾(类别 1)
if int(cls) in [0, 1]:
abnormal = True
print(f"检测到异常行为:{model.names[int(cls)]}")
return abnormal
# 报警函数
def send_alert(message):
msg = MIMEText(message)
msg["Subject"] = "监控系统报警"
msg["From"] = "[email protected]"
msg["To"] = "[email protected]"
with smtplib.SMTP("smtp.example.com", 587) as server:
server.starttls()
server.login("[email protected]", "your_password")
server.send_message(msg)
# 主循环
while True:
ret, frame = cap.read()
if not ret:
break
# 检测物体
results = model(frame)
# 检测异常行为
if detect_abnormal(results):
send_alert("监控画面中检测到异常行为!")
# 显示结果
cv2.imshow("Smart Monitoring", results[0].plot())
# 按 ESC 键退出
if cv2.waitKey(1) & 0xFF == 27:
break
# 释放资源
cap.release()
cv2.destroyAllWindows()
from ultralytics import YOLO
import cv2
import numpy as np
# 加载模型
model = YOLO("yolov8n.pt")
# 打开视频文件
cap = cv2.VideoCapture("traffic.mp4")
# 初始化计数器
car_count = 0
bike_count = 0
# 定义检测区域
roi = [(100, 200), (500, 200), (500, 400), (100, 400)]
# 主循环
while True:
ret, frame = cap.read()
if not ret:
break
# 检测物体
results = model(frame)
# 统计车辆
for result in results:
boxes = result.boxes
for box in boxes:
x1, y1, x2, y2 = box.xyxy[0]
cls = box.cls[0]
# 判断是否在检测区域内
if cv2.pointPolygonTest(np.array(roi, np.int32), ((x1 + x2) / 2, (y1 + y2) / 2), False) >= 0:
if int(cls) == 2:
car_count += 1
elif int(cls) == 3:
bike_count += 1
# 显示统计结果
cv2.putText(frame, f"Cars: {car_count}", (10, 30), cv2.FONT_HERSHEY_SIMPLEX, 1, (0, 255, 0), 2)
cv2.putText(frame, f"Bikes: {bike_count}", (10, 70), cv2.FONT_HERSHEY_SIMPLEX, 1, (0, 255, 0), 2)
# 显示结果
cv2.imshow("Traffic Monitoring", frame)
# 按 ESC 键退出
if cv2.waitKey(1) & 0xFF == 27:
break
# 释放资源
cap.release()
cv2.destroyAllWindows()
# 生成报告
print(f"交通流量统计报告:")
print(f"汽车数量:{car_count}")
print(f"摩托车数量:{bike_count}")
Q: 安装 ultralytics 时出现依赖冲突
A: 尝试使用虚拟环境隔离依赖:
# 创建虚拟环境
python -m venv yolov8_env
# 激活虚拟环境
# Windows
yolov8_env\Scripts\activate
# Linux/Mac
source yolov8_env/bin/activate
# 安装依赖
pip install ultralytics
Q: 模型下载失败或速度慢
A: 可以手动下载模型文件并放置在 ~/.ultralytics/models/ 目录下。模型下载地址:https://github.com/ultralytics/assets/releases
Q: GPU 加速无法使用
A: 确保已安装与 CUDA 版本匹配的 PyTorch:
# 查看 CUDA 版本
nvcc --version
# 安装对应版本的 PyTorch
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121
Q: 训练时出现"Out of Memory"错误
A: 尝试以下解决方案:
Q: 模型训练精度低
A: 可能的原因和解决方案:
Q: 训练过程中 loss 不下降
A: 尝试以下解决方案:
Q: 推理速度慢
A: 尝试以下优化策略:
Q: 检测结果不准确
A: 可能的原因和解决方案:
Q: 检测框重叠严重
A: 调整 NMS 阈值(iou 参数):
results = model("test.jpg", iou=0.5)
# 降低 iou 阈值可以减少重叠
Q: 导出 ONNX 模型失败
A: 确保已安装 ONNX 和 ONNX Runtime:
pip install onnx onnxruntime
Q: 部署到移动设备性能差
A: 尝试以下优化策略:
Q: 模型部署到生产环境出错
A: 检查以下内容:
通过这个教程,你已经学会了如何使用 Python 和 YOLOv8 进行目标检测。YOLOv8 是一个非常强大的工具,可以应用在很多领域,比如安防监控、自动驾驶、智能交通等等。
如果你想学习更多关于 YOLOv8 的知识,可以访问官方文档和 GitHub 仓库,那里有更详细的教程和示例代码。

微信公众号「极客日志」,在微信中扫描左侧二维码关注。展示文案:极客日志 zeeklog
使用加密算法(如AES、TripleDES、Rabbit或RC4)加密和解密文本明文。 在线工具,加密/解密文本在线工具,online
生成新的随机RSA私钥和公钥pem证书。 在线工具,RSA密钥对生成器在线工具,online
基于 Mermaid.js 实时预览流程图、时序图等图表,支持源码编辑与即时渲染。 在线工具,Mermaid 预览与可视化编辑在线工具,online
解析常见 curl 参数并生成 fetch、axios、PHP curl 或 Python requests 示例代码。 在线工具,curl 转代码在线工具,online
将字符串编码和解码为其 Base64 格式表示形式即可。 在线工具,Base64 字符串编码/解码在线工具,online
将字符串、文件或图像转换为其 Base64 表示形式。 在线工具,Base64 文件转换器在线工具,online