YOLOv8 训练、验证与推理实践

YOLOv8 于 2023 年 1 月 10 日发布，它把检测、分割、姿态、分类等任务统一到 ultralytics 包中。已有 YOLOv8 项目可以继续稳定维护，但应固定环境版本，避免包升级改变训练或导出行为。

环境准备#

1
python -m venv .venv
2
source .venv/bin/activate
3
python -m pip install --upgrade pip
4
python -m pip install ultralytics

记录环境：

1
yolo checks
2
python -c "import ultralytics; print(ultralytics.__version__)"
3
python -m pip freeze > requirements-lock.txt

历史项目应安装当时验证过的 ultralytics 版本，而不是无条件使用最新版。

推理#

CLI：

1
yolo detect predict model=yolov8n.pt source=images/ imgsz=640 conf=0.25

Python：

1
from ultralytics import YOLO
2

3
model = YOLO("yolov8n.pt")
4
results = model.predict(source="images/", imgsz=640, conf=0.25)
5

6
for result in results:
7
    print(result.boxes.xyxy)

数据集配置#

1
path: /data/example
2
train: images/train
3
val: images/val
4
test: images/test
5
names:
6
  0: person
7
  1: vehicle

开始正式训练前，先用少量样本检查：

图像和标签是否一一对应；
类别 ID 是否与 names 一致；
检测框是否归一化且没有负数；
训练集和验证集是否存在重复或泄漏；
类别是否严重不平衡。

训练#

1
yolo detect train \
2
  model=yolov8n.pt \
3
  data=data.yaml \
4
  epochs=100 \
5
  imgsz=640 \
6
  batch=16 \
7
  device=0 \
8
  project=runs/example \
9
  name=yolov8n-baseline

Python：

1
from ultralytics import YOLO
2

3
model = YOLO("yolov8n.pt")
4
model.train(
5
    data="data.yaml",
6
    epochs=100,
7
    imgsz=640,
8
    batch=16,
9
    device=0,
10
    project="runs/example",
11
    name="yolov8n-baseline",
12
)

先建立可复现基线，再调整增强、学习率和模型尺寸。不要在第一轮同时改变大量参数。

验证#

1
yolo detect val \
2
  model=runs/example/yolov8n-baseline/weights/best.pt \
3
  data=data.yaml \
4
  imgsz=640

除了总体 mAP，还要检查每类指标、混淆矩阵、误检漏检样本，以及目标尺寸分布。

导出#

1
yolo export \
2
  model=runs/example/yolov8n-baseline/weights/best.pt \
3
  format=onnx \
4
  imgsz=640 \
5
  dynamic=True

导出后必须使用目标推理引擎复测预处理、输出解析、阈值和 NMS。PyTorch 验证通过不代表 ONNX 或 TensorRT 结果完全一致。

维护注意事项#

固定训练代码、包版本、随机种子和数据集版本。
保存 args.yaml、指标曲线和最佳权重。
重新训练前确认默认参数是否随包版本变化。
迁移到 YOLO11 或 YOLO26 时，用同一验证集和硬件比较。

开发动态

环境准备#

推理#

数据集配置#

训练#

验证#

导出#

维护注意事项#

参考资料#