YOLO 目标检测从入门到实战：Ultralytics YOLOv8 完整使用指南

YOLO 目标检测从入门到实战：Ultralytics YOLOv8 完整使用指南

摘要： 本文系统讲解 YOLO 目标检测的使用方法，涵盖推理、训练、数据集准备、结果数据提取、模型部署等全流程，基于 Ultralytics YOLOv8 框架，配有完整代码示例。 适用读者：目标检测入门者、YOLO 使用者 | 难度：入门~中级 | 预计阅读时间：40 分钟

文章目录

• YOLO 目标检测从入门到实战：Ultralytics YOLOv8 完整使用指南
• • 一、前言
  • 二、环境安装
  • 三、基本推理
  • • 3.1 图片推理
    • 3.2 摄像头实时推理
  • 四、数据集准备
  • • 4.1 YOLO 数据集目录结构
    • 4.2 标签文件格式
    • 4.3 data.yaml 配置文件
    • 4.4 数据获取方法
  • 五、模型训练
  • • 5.1 基本训练脚本
    • 5.2 详细训练参数
    • 5.3 恢复中断的训练
    • 5.4 模型选择
  • 六、推理结果数据提取
  • • 6.1 Results 对象结构
    • 6.2 提取边界框
    • 6.3 过滤检测结果
    • 6.4 坐标格式转换
    • 6.5 转为结构化数据
  • 七、模型评估与测试
  • • 7.1 在测试集上评估
    • 7.2 指标说明
  • 八、目标跟踪
  • 九、模型导出
  • 十、常见问题
  • • 10.1 没有检测到目标
    • 10.2 数据类型问题
    • 10.3 不同模型类型的结果属性
  • 十一、总结
  • 参考资料

一、前言

YOLO（You Only Look Once）是最流行的目标检测算法之一，以其速度快、精度高的特点被广泛应用于工业界。Ultralytics 公司推出的 YOLOv8 框架进一步简化了使用流程，只需几行代码即可完成目标检测的推理和训练。

本文将覆盖以下内容：

二、环境安装

pip install ultralytics

安装完成后验证：

from ultralytics import YOLO
print("Ultralytics YOLO 安装成功！")

三、基本推理

3.1 图片推理

from ultralytics import YOLO

# 加载模型（首次运行会自动下载预训练权重）
yolo = YOLO(model='yolov8n.pt', task='detect')

# 对图片进行推理
results = yolo('image.jpg')

# 查看结果
for result in results:
print(result.boxes) # 检测到的边界框

3.2 摄像头实时推理

from ultralytics import YOLO

yolo = YOLO(model='yolov8n.pt', task='detect')

# source=0 表示使用摄像头
results = yolo(source=0, save=True, conf=0.77)

参数说明：

• source：输入源，0 为摄像头，也可以是图片路径、视频路径、RTSP 流等
• conf：置信度阈值，只保留置信度高于此值的检测结果
• save：是否保存结果图片/视频

详细参数说明请参考 Ultralytics 官方文档。

四、数据集准备

4.1 YOLO 数据集目录结构

YOLO 格式的数据集有严格的目录结构要求：

datasets/mydata/
├── images/
│ ├── train/ # 训练集图片
│ │ ├── img1.jpg
│ │ ├── img2.jpg
│ │ └── …
│ ├── val/ # 验证集图片
│ │ ├── img1.jpg
│ │ └── …
│ └── test/ # 测试集图片（可选）
│ ├── img1.jpg
│ └── …
├── labels/
│ ├── train/ # 训练集标签（每张图片对应一个 .txt 文件）
│ │ ├── img1.txt
│ │ ├── img2.txt
│ │ └── …
│ ├── val/ # 验证集标签
│ │ ├── img1.txt
│ │ └── …
│ └── test/ # 测试集标签（可选）
│ ├── img1.txt
│ └── …
└── data.yaml # 数据集配置文件

4.2 标签文件格式

每个 .txt 文件中每行表示一个目标，格式为：

<class_id> <x_center> <y_center> <width> <height>

• class_id：类别编号（从 0 开始）
• x_center、y_center：边界框中心点坐标（归一化到 0~1）
• width、height：边界框宽高（归一化到 0~1）

示例：

0 0.5 0.5 0.3 0.4
1 0.2 0.3 0.1 0.2

4.3 data.yaml 配置文件

path: ../datasets/mydata # 数据集根目录
train: images/train # 训练图片相对路径
val: images/val # 验证图片相对路径
test: images/test # 测试图片相对路径（可选）

nc: 2 # 类别数量
names: ['cat', 'dog'] # 类别名称列表

重要提示： names 列表中的类别顺序必须与标签文件中的 class_id 对应。

4.4 数据获取方法

五、模型训练

5.1 基本训练脚本

from ultralytics import YOLO

# 加载预训练模型
model = YOLO('yolov8n.pt')

# 开始训练
results = model.train(
data='datasets/mydata/data.yaml',
epochs=100,
imgsz=640,
batch=16,
workers=8
)

5.2 详细训练参数

results = model.train(
# —– 基础配置 —–
data='datasets/mydata/data.yaml', # 数据集配置
epochs=100, # 训练轮数
batch=16, # 批大小
imgsz=640, # 输入图像尺寸
device=0, # GPU 设备号
workers=8, # 数据加载线程数
seed=42, # 随机种子

# —– 优化器与学习率 —–
optimizer='auto', # 优化器：SGD/Adam/AdamW/auto
lr0=0.01, # 初始学习率
lrf=0.01, # 最终学习率因子
momentum=0.937, # SGD 动量
weight_decay=0.0005, # 权重衰减
warmup_epochs=3, # 预热轮数

# —– 损失函数权重 —–
box=7.5, # 边界框损失权重
cls=0.5, # 分类损失权重
dfl=1.5, # DFL 损失权重

# —– 数据增强 —–
degrees=0.0, # 随机旋转角度
translate=0.1, # 随机平移
scale=0.5, # 随机缩放
shear=0.0, # 随机剪切
fliplr=0.5, # 左右翻转概率
mosaic=1.0, # 马赛克增强概率
mixup=0.0, # MixUp 增强概率

# —– 保存与验证 —–
save=True, # 保存检查点
patience=50, # 早停轮数
val=True, # 每轮验证
project='runs/train', # 输出目录
name='exp', # 实验名称
)

5.3 恢复中断的训练

如果训练中断，可以从上次的检查点继续：

model = YOLO('runs/train/exp/weights/last.pt')
results = model.train(resume=True)

5.4 模型选择

六、推理结果数据提取

6.1 Results 对象结构

from ultralytics import YOLO

model = YOLO("yolov8n.pt")
results = model.predict("image.jpg")
result = results[0] # 取第一张图的结果

result 对象包含以下属性：

6.2 提取边界框

if result.boxes is not None:
# 方法 1：直接取 tensor (N x 6: x1, y1, x2, y2, conf, cls)
boxes_data = result.boxes.data

# 方法 2：分别取各个属性
xyxy = result.boxes.xyxy # N x 4, 绝对坐标
conf = result.boxes.conf # N x 1, 置信度
cls = result.boxes.cls # N x 1, 类别索引

# 转为 numpy
boxes_np = result.boxes.data.cpu().numpy()

# 遍历每个检测框
for box in result.boxes:
x1, y1, x2, y2 = box.xyxy[0].tolist()
confidence = box.conf[0].item()
class_id = int(box.cls[0].item())
class_name = result.names[class_id]
print(f"{class_name}: {confidence:.2f}, "
f"bbox=[{x1:.0f}, {y1:.0f}, {x2:.0f}, {y2:.0f}]")

6.3 过滤检测结果

if result.boxes is not None:
# 过滤置信度 > 0.5 的检测结果
high_conf = result.boxes[result.boxes.conf > 0.5]

# 过滤特定类别（假设 person 的 id 为 0）
persons = result.boxes[result.boxes.cls == 0]

# 组合条件
keep = (result.boxes.conf > 0.5) & (result.boxes.cls == 0)
filtered = result.boxes[keep]

6.4 坐标格式转换

import numpy as np

# xyxy → xywh（中心点 + 宽高）
xyxy = result.boxes.xyxy.cpu().numpy() # (N, 4)
xywh = np.zeros_like(xywh)
xywh[:, 0] = (xyxy[:, 0] + xyxy[:, 2]) / 2 # cx
xywh[:, 1] = (xyxy[:, 1] + xyxy[:, 3]) / 2 # cy
xywh[:, 2] = xyxy[:, 2] – xyxy[:, 0] # w
xywh[:, 3] = xyxy[:, 3] – xyxy[:, 1] # h

6.5 转为结构化数据

import pandas as pd
import json

# 转为 DataFrame
def results_to_df(result):
if result.boxes is None:
return pd.DataFrame()
data = result.boxes.data.cpu().numpy()
df = pd.DataFrame(data, columns=["x1", "y1", "x2", "y2",
"confidence", "class_id"])
df["class_name"] = df["class_id"].map(result.names)
return df

df = results_to_df(result)
print(df.head())

# 转为 JSON
def results_to_json(result):
detections = []
if result.boxes is not None:
for box in result.boxes:
detections.append({
"bbox": box.xyxy[0].tolist(),
"confidence": box.conf[0].item(),
"class_id": int(box.cls[0].item()),
"class_name": result.names[int(box.cls[0].item())]
})
return detections

json_str = json.dumps(results_to_json(result), indent=2)
print(json_str)

七、模型评估与测试

7.1 在测试集上评估

best_model = YOLO('runs/train/exp/weights/best.pt')

test_results = best_model.val(
data='datasets/mydata/data.yaml',
split='test',
batch=16,
imgsz=640,
device=0,
)

print(f"mAP50-95: {test_results.box.map:.4f}")
print(f"mAP50: {test_results.box.map50:.4f}")
print(f"mAP75: {test_results.box.map75:.4f}")

7.2 指标说明

八、目标跟踪

YOLO 支持目标跟踪功能，可以用于视频中目标的持续追踪：

from ultralytics import YOLO

model = YOLO('yolov8n.pt')

# 对视频进行跟踪
results = model.track(source='video.mp4', save=True, conf=0.5)

跟踪结果中每个目标会有唯一的 track_id，可以在不同帧之间关联同一个目标。

九、模型导出

训练好的模型可以导出为多种格式用于部署：

model = YOLO('runs/train/exp/weights/best.pt')

# 导出为 ONNX 格式
model.export(format='onnx')

# 导出为 TensorRT 格式（需要 NVIDIA GPU）
model.export(format='engine')

# 导出为 TorchScript 格式
model.export(format='torchscript')

十、常见问题

10.1 没有检测到目标

if result.boxes is None or len(result.boxes) == 0:
print("No objects detected")

10.2 数据类型问题

• result.boxes.data 默认在 GPU 上，使用 .cpu() 移到 CPU
• 转为 Python 基本类型用 .item() 或 .tolist()

10.3 不同模型类型的结果属性

• 检测模型：result.boxes
• 分割模型：result.masks
• 姿态模型：result.keypoints
• 分类模型：result.probs

十一、总结

本文要点回顾：

YOLO 是目标检测领域最实用的工具之一，掌握其使用方法后，你可以快速完成从数据准备到模型部署的完整流程。

参考资料

• Ultralytics YOLOv8 官方文档
• Ultralytics YOLOv8 GitHub
• YOLO 论文
• COCO 数据集