【第五章:计算机视觉-项目实战之目标检测实战】2.目标检测实战:中国交通标志检测-(4)YOLOv8训练与测试

第五章：计算机视觉（Computer Vision）- 项目实战之目标检测实战

第二部分：目标检测实战：中国交通标志检测

第四节：YOLOv8训练与测试

在完成数据准备与 YOLOv8 模型的搭建之后，本节我们进入到 模型训练、验证与测试 的全过程。

1. 训练流程概述

YOLOv8 的训练主要包括以下步骤：

加载预训练权重（如 yolov8n.pt）作为起点；
定义数据集路径（data.yaml）；
设置训练超参数（batch、epochs、imgsz）；
执行训练，保存最佳权重文件（best.pt）；
模型验证，查看指标（Precision、Recall、mAP）；
模型测试，在新图像上推理可视化结果。

2. 模型训练

YOLOv8 提供了命令行接口，也支持 Python API。我们先看命令行方式：

python 复制代码

yolo detect train \
  model=yolov8n.pt \
  data=datasets/data.yaml \
  epochs=50 \
  imgsz=640 \
  batch=16 \
  workers=4 \
  name=traffic_sign_yolov8

参数说明：

model：预训练模型，可选 yolov8n/s/m/l/x。
data：数据集配置文件。
epochs：训练轮数（推荐 50~100）。
imgsz：图像输入大小。
batch：批量大小。
name：保存实验结果的文件夹名。

训练完成后，会在 runs/detect/traffic_sign_yolov8/weights/ 下生成：

last.pt：最后一次保存的权重；
best.pt：验证效果最佳的权重。

3. 模型验证

YOLOv8 在训练过程中会自动验证，并绘制曲线：

loss 曲线（训练/验证集）；
Precision-Recall 曲线；
mAP@0.5 和 mAP@0.5:0.95 曲线。

也可以单独执行验证：

python 复制代码

yolo detect val \
  model=runs/detect/traffic_sign_yolov8/weights/best.pt \
  data=datasets/data.yaml \
  imgsz=640

输出结果包括：

Precision、Recall、F1-score；
mAP@0.5 和 mAP@0.5:0.95；
验证集预测可视化。

4. 模型测试（推理）

在新数据或测试集上进行推理：

python 复制代码

yolo detect predict \
  model=runs/detect/traffic_sign_yolov8/weights/best.pt \
  source=datasets/images/test \
  imgsz=640 \
  conf=0.25 \
  save=True

参数说明：

source：测试图片或文件夹；
conf：置信度阈值（默认 0.25）；
save=True：保存预测结果。

预测结果会保存在 runs/detect/predict/ 文件夹下，包含检测框、类别和置信度。

5. Python API 方式训练与推理

更推荐使用 Python 脚本调用，方便与数据预处理和可视化结合。

python 复制代码

from ultralytics import YOLO

# 加载模型
model = YOLO("yolov8n.pt")  

# 训练
model.train(
    data="datasets/data.yaml",
    epochs=50,
    imgsz=640,
    batch=16,
    name="traffic_sign_yolov8"
)

# 验证
metrics = model.val()
print(metrics)

# 测试（推理）
results = model.predict(
    source="datasets/images/test",
    conf=0.25,
    save=True
)

6. 可视化与结果分析

YOLOv8 默认会生成可视化图表：

results.png：训练曲线（loss, P, R, mAP）。
confusion_matrix.png：混淆矩阵。
PR_curve.png：精确率-召回率曲线。

这些图表能帮助我们诊断：

过拟合（训练 loss 持续下降，验证 loss 不降反升）；
欠拟合（loss 停留在较高水平）；
类别不平衡（混淆矩阵某些类别检测效果差）。

7. 小结

在本节中，我们完成了 YOLOv8 的训练与测试：

学会了命令行与 Python API 两种方式训练模型；
理解了训练过程中的关键超参数；
掌握了验证与测试的指标与可视化方法。

下一步，我们将进入 第四节：中国交通标志检测完整 Pipeline 实现 ，结合 数据预处理、模型训练、推理与评估，搭建一个可复用的完整目标检测系统。