yolo 还真不怕你把照片拍的很大，它有办法自动处理这些事情，但是我们在采集图片时，还是尽量确保所有的图片大小差不多，这样也方便打标签。
打标签工具：labelimg （工具和数据集相见网盘：链接: https://pan.baidu.com/s/1QbPyoGq3_yOpWYvorxyPeg?pwd=8vmg 提取码: 8vmg）
也可以使用pip install labelimg 安装，但windows 用户建议还是使用现成的 labelimg.exe，实测发现 pip 安装的易出现闪退，非常影响效率和心情。
(python特产，包兼容性问题)
要根治，最好是下载python 源码，安装源码指定的依赖版本
labeimg 操作详见：https://zhuanlan.zhihu.com/p/550021453
打标签前，建议把所有的图片放在一个目录下（对，可以混放），但是要避免文件名冲突。
解决第一个问题，文件名冲突。
问题场景，我有两个目录，这两个目录里面都是图片，但是图片的文件名有部分冲突，我想放到一起，怎么办。
（来无中生有）
（图片生成完毕）
总结：把你想做的事情，尽量描述清楚，剩下的交给 traeCN
接下来，你可以开始打标签了。
打好标签后，在原有图片目录基础上，你会得到一个标签目录，标签目录内的文件名，和图片目录完全一致。
接下来：
"我有一个图片目录 imgClass，一个标签目录 labels，我要按照 yolov8 的目录格式将图片集重新组织，如图所示。你给我写个代码，将图片输出到 target 目录，还要产生一个符合 yolov8 的 data.yaml文件。训练集、验证集、测试集的分割比例为 8:1:1，分割前，你要打乱图片的顺序，确保图片足够分散。"
traeCN 的操作如下图（使用微信、QQ 等工具截好图，直接粘贴就行，它支持图片内容识别）：
很快搞定
接下来微调一下即可：
真实的 data.yaml 长这样：
如果你有多个分类，要按上面的格式，注意标签txt 文件里面，0 对应的是第一个标签
这个"0" 实际上是 'five'
（yolov8 格式数据集示例详见网盘，可以直接使用：链接: https://pan.baidu.com/s/1QbPyoGq3_yOpWYvorxyPeg?pwd=8vmg 提取码: 8vmg）
最后，训练模型。
训练开始前，确认你已经配置好了环境。
AI学习环境配置合集
https://blog.csdn.net/razelan/article/details/152720013?spm=1001.2014.3001.5502
注意：如果你有 n 卡，这里要改一下：
注意：在 python 3.10.x 版本 yolo 最多安装到 yolov11（对应ultralytics 8.3.0）。如果你用的是英伟达 50 系列显卡，要安装 torch2.8.0 cuda 以上版本。
在此之前，记得： pip 更换清华源
最后：出 bug 了怎么办？
先选中出错内容：
点击"添加到对话"
traeCN 很强大，它可以解决的问题不限于 traeCN 以内，甚至可以解决一些系统上的问题，灵活运用能让你事半功倍。
甚至，你可以给它提问，让它回答，而不是写代码。
最后，这玩意免费的。