YOLOv8目标检测模型怎么用Python自动训练_配置YAML文件并调用Ultralytics-Python教程-PHP中文网

YOLOv8训练前必须正确配置data.yaml的train、val、names三个大小写敏感字段，路径需指向图像文件夹且nc与names长度一致；训练时建议禁用amp并显式设置关键参数；验证需确保val数据集标签严格匹配；ONNX导出默认含预处理，部署时需避免重复归一化。

yolov8目标检测模型怎么用python自动训练_配置yaml文件并调用ultralytics

YOLOv8训练前必须改对的`data.yaml`结构

YOLOv8不接受任意路径或标签名，data.yaml里三个字段缺一不可且大小写敏感：train、val、names。常见错误是把val写成test或valid，导致训练时提示KeyError: 'val'；或者names写成列表但漏了引号，比如names: [cat, dog]会报yaml.scanner.ScannerError。

正确写法示例：

train: ../datasets/mydata/images/train
val: ../datasets/mydata/images/val
<p>nc: 2
names: ['cat', 'dog']
</p>

train和val路径必须指向含.jpg/.png图像的文件夹，不是labels/目录
nc（number of classes）必须与names长度一致，否则训练中途崩在AssertionError: nc mismatch
路径推荐用相对路径（相对于运行脚本的位置），避免硬编码绝对路径导致换机器就失效

调用Ultralytics训练接口时的关键参数组合

直接调用model.train()比命令行更可控，但容易忽略默认行为：YOLOv8默认启用amp（混合精度）和cosine学习率衰减，某些显卡（如旧款Tesla）或小数据集上反而收敛不稳。

推荐显式指定的最小安全参数集：

macOS UI 自动化技能包 —— 用 Python 控制你的 Mac

让 macOS 自动化像说话一样简单 —— 用代码控制你的 Mac，无需学习 AppleScript 系统要求 macOS 14+ (Sonoma) Python 3.9+ 需要开启：辅助功能 + 屏幕录制权限

下载

from ultralytics import YOLO
<p>model = YOLO('yolov8n.pt')
model.train(
data='data.yaml',
epochs=100,
imgsz=640,
batch=16,
name='my_exp',
device=0,  # 显卡ID，CPU用 device='cpu'
amp=False,  # 小数据集或老显卡建议关掉
patience=10  # val loss连续10轮不下降则早停
)
</p>

batch值受GPU显存限制，16是yolov8n在24G显存上的安全值；若OOM，优先降batch而非imgsz
name决定日志和权重保存路径（runs/detect/my_exp/），不设会覆盖上次实验
训练中断后想续训？加resume=True，但必须指向my_exp/weights/last.pt所在目录，不能只写name

验证阶段发现mAP低？先查`val`数据集是否真被加载

训练日志里出现0 labels found in .../val/labels/却没报错，是YOLOv8的静默失败点——它会跳过无标签图像继续训，但mAP@0.5必然接近0。根本原因常是val路径下images/和labels/文件名不严格一一对应（比如大小写、扩展名、前导零不一致）。

检查命令：ls val/images/ | sed 's/.jpg$//' | sort > img.list && ls val/labels/ | sed 's/.txt$//' | sort > lbl.list && diff img.list lbl.list
names顺序必须和label txt里数字ID严格对齐，cat.txt第一行是0 ...才对应names[0]
验证时加plots=True参数，会在runs/detect/my_exp/val_batch0_pred.jpg里画出预测框，肉眼确认是否真在跑验证

模型导出为ONNX后推理结果不一致？注意预处理差异

Ultralytics导出的ONNX默认包含预处理（归一化+resize），但很多部署框架（如OpenCV DNN、TensorRT）会再做一遍，造成双重归一化。现象是检测框全飘在左上角或完全消失。

导出时加half=False, dynamic=False, simplify=True减少兼容问题
用model.export(format='onnx')后，务必看输出日志最后一行：ONNX export success ✅ ... with preprocessing included
若需手动预处理，导出时加opset=12并设task='detect'，然后自己实现letterbox和torch.tensor(...)/255.0，别信ONNX模型里的“自动”

YOLOv8的val路径校验、names索引对齐、ONNX预处理开关，这三处不细看文档就极大概率白跑半天。