YOLOv8 目标检测：从训练到部署全流程（接单高频需求）

口罩检测、安全帽检测、车辆识别、缺陷检测......目标检测是接单和毕设里最高频的需求，YOLOv8 是目前上手最快、效果最稳的选择。这篇从数据准备到部署一条龙，代码直接抄。

前言

如果说让我只推荐一个"学了就能接单"的深度学习方向，我选目标检测。原因很简单：需求量大（各行各业都要"识别出画面里有什么"）、技术成熟（YOLO 系一统江湖）、而且用自己的数据训练一个能用的检测模型，比想象中简单。

YOLOv8 是 Ultralytics 团队的开源项目，把训练、推理、导出全封装成了几行代码。我做过口罩检测、工地安全帽检测两个项目，用的都是这套流程，这篇全部分享出来。

外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传

一、YOLOv8 是什么

YOLO（You Only Look Once）是一类单阶段目标检测模型，特点是一次前向同时输出所有目标的位置和类别，速度极快。YOLOv8 是目前最新的官方版本，几大优点：

API 极其简单：训练、推理、导出都是一行调用；
自带预训练权重：yolov8n（最小，6MB）/ s / m / l / x 五档，没数据也能先用通用模型跑通流程；
一套代码通吃：检测（detect）、分割（segment）、分类（classify）。

二、安装与数据准备

bat 复制代码

pip install ultralytics

数据格式（YOLO 格式）：图片 + 同名 txt 标签，目录结构如下：

bash 复制代码

dataset/
├── images/train/*.jpg
├── labels/train/*.txt      # 每行: 类别id cx cy w h（归一化坐标）
├── images/val/*.jpg
├── labels/val/*.txt
└── data.yaml               # 数据集配置

标签 txt 里每一行代表一个目标，五个数字分别是"类别编号、中心x、中心y、宽、高"，全部归一化到 0~1。比如一张 640x640 的图上，中心在 (320,320)、大小为 200x150 的"helmet"目标，写：

复制代码

0 0.5 0.5 0.3125 0.234375

标注工具推荐 LabelImg （简单）或 Label Studio （功能全），标完自动导出成这个格式。注意：类别编号从 0 开始 ，和 data.yaml 里的 names 顺序一一对应。

data.yaml 长这样：

yaml 复制代码

train: dataset/images/train
val: dataset/images/val
nc: 2
names: ["helmet", "no_helmet"]

准备多少数据？每个类别至少 100~300 张，目标太小或遮挡多就再多一些。标注质量比数量重要，宁可少而精。

三、训练（核心代码，就三行）

python 复制代码

from ultralytics import YOLO

model = YOLO("yolov8n.pt")   # 加载预训练权重（自动下载，几十 MB）
model.train(data="data.yaml", epochs=50, imgsz=640, device=0)

几个要点：

device=0 用 GPU，device="cpu" 用 CPU（很慢，建议有独显）；
预训练权重做起点，收敛快、效果稳，这就是"迁移学习"；
训练产物在 runs/detect/train/ 下，best.pt 是验证集效果最好的权重；
日志里主要看 mAP50（目标检测的核心指标，0.5 及格、0.7 以上算不错）。

四、推理测试

python 复制代码

from ultralytics import YOLO

model = YOLO("runs/detect/train/weights/best.pt")
results = model("test.jpg")
r = results[0]

for box in r.boxes:
    print("类别:", int(box.cls),
          "置信度:", round(float(box.conf), 3),
          "坐标:", box.xyxy.tolist())

results.save()   # 标注好的结果图存到 runs/detect/predict/

r.boxes 里每个目标都有类别、置信度、坐标（xyxy 格式）。结果图直接可视化，一眼看出检测效果好坏。

运行验证 ：训练结束终端会打印 mAP50 等指标（0.5 及格、0.7 以上不错）；推理时终端逐行打印"类别 / 置信度 / 坐标"，并在 runs/detect/predict/ 生成带框的结果图------看到框和数字，说明训练→推理链路已通。

五、导出部署（交付的一步）

python 复制代码

model.export(format="onnx")   # 生成 best.onnx，几秒完成

导出成 ONNX 后，就可以用上一篇文章《PyTorch 模型导出 ONNX》的 FastAPI 套路封装成接口：输入图片，输出检测框列表。要追求极致速度还可以 format="tensorrt"（N 卡专用，加速明显）。

交付物：best.onnx（或 best.pt）+ 推理代码 + 说明，客户拿去就能用。

六、常见坑

坑	解决
中文路径/数据集路径报错	一律用英文路径；data.yaml 里的路径写对
类别编号错乱	标注从 0 开始，必须和 data.yaml 的 `names` 顺序一致
训练 loss 不降	数据太少或标注不准；先用预训练权重多跑几轮；数据增强 ultralytics 默认已开
CPU 训练太慢	换 `yolov8n` 小模型先跑通流程；或租一块 GPU 云主机
误报多	推理时加置信度阈值：`model.predict("x.jpg", conf=0.5)`

七、总结

流程就一条线：标注数据 → 写 data.yaml → train → 推理验证 → export(onnx) → 部署。

目标检测是接单和毕设里最"实"的方向之一：口罩检测、安全帽检测、车辆计数、产品缺陷检测，全是这套代码换个数据集的事。学会了，就是一条稳定的变现路径。

觉得有用点个赞收藏，有问题评论区见，看到都会回。