【项目实训2】手把手教你使用 YOLOv8 模型检测：服务器租用、环境配置、自定义数据集、模型的训练与测试（全网最全的操作指导）

前言

文章性质：实操笔记 📖

代码来源：GitHub - ultralytics/ultralytics: NEW - YOLOv8 🚀 in PyTorch > ONNX > OpenVINO > CoreML > TFLite

主要内容：本文详细记录了如何借助 Tabby 图形界面工具在 AutoDL 远程服务器上配置 YOLOv8 所需的项目环境，并且成功运行 YOLOv8 模型进行训练和测试，进而实现对自定义数据集的目标检测处理。

冷知识+1：小伙伴们不经意的 点赞 👍🏻 与 收藏 ✨ 可以让作者更有创作动力！ 

Prepare

在运行 YOLOv8 代码前，我们要先在 AutoDL 平台租用合适的远程服务器，并借助 Tabby 图形化界面上传代码和配置环境。

• AutoDL 官网：AutoDL 算力云 | 弹性、好用、省钱。
• Tabby 工具：Tabby - a terminal for a more modern age

借助 Tabby 图形界面在 Autodl 远程服务器上，根据 Github 官网中提供的 YOLOv8 流程进行配置：

代码链接：GitHub - ultralytics/ultralytics: NEW - YOLOv8 🚀 in PyTorch > ONNX > OpenVINO > CoreML > TFLite

1、AutoDL 租用远程服务器

在 AutoDL 官网的【算力市场】按照自身需求租用合适的 GPU ：

【说明】由于 Github 项目中提到 ultralytics 的安装环境需要 Python >= 3.8 且 PyTorch >= 1.8 ，故按图设置镜像。

2、Tabby 设置 SSH 接口

（1）获取 SSH 登录

在 Tabby 设置 SSH 接口前，需要确保租用的 GPU 处于运行状态，还要获取 SSH 登录所需的指令与密码。

（2）配置 SSH 连接

打开 Tabby 工具的设置栏，在 Profiles & connections 中可以新建 SSH Connection ： 

（3）运行 SSH 连接

配置 SSH 接口的 Host 、Port 、Username 、Password 和接口名称后，我们就可以点击运行  ▶  按钮啦！

3、Tabby 上传项目代码

将 Github 提供的 YOLOv8 相关代码上传至 Tabby 的 /root/autodl-tmp 目录，并借助 unzip 命令进行解压。

4、Tabby 配置项目环境

进入远程服务器终端命令窗口后，我们需要先更新 bashrc 中的环境变量。

执行命令：conda init bash && source /root/.bashrc

conda init bash && source /root/.bashrc

【说明】由图可知，我们已经默认进入了 base 环境，我们可以在 base 环境中安装依赖，也可以新建虚拟环境来安装依赖。

（1）新建 conda 环境

执行命令：conda create -n dehaze python=3.8

conda create -n dehaze python=3.8

（2）激活 conda 环境

执行命令：conda activate dehaze

conda activate dehaze

（3）配置 conda 环境 ①

执行命令：conda install pytorch=1.10.2 torchvision torchaudio cudatoolkit=11.3 -c pytorch

conda install pytorch=1.10.2 torchvision torchaudio cudatoolkit=11.3 -c pytorch

（4）配置 conda 环境 ②

官方提供了两种形式的安装方法，由于我们后面需要对 YOLOv8 进行改进，所以采用第二种安装方法。

安装方法一：若只对 YOLOv8 进行调用，则推荐使用这种安装方法。

pip install ultralytics

安装方法二：若要对 YOLOv8 进行开发，则推荐使用这种安装方法。

git clone https://github.com/ultralytics/ultralytics
cd ultralytics
pip install -e .

【说明】也可以不使用 git clone 命令，自己手动从 Github 官网下载相关代码，再上传至远程服务器，如前文所述。

Documentation

在 Github 提供的项目中，ultralytics 官方提供了 YOLOv8 Docs 文档来帮助我们更好地使用该模型。

【补充】在线上查询 YOLOv8 操作指导的过程中，我发现这个文档的指导更加容易上手，特将链接贴在此处：

【YOLO】YOLOv8训练自定义数据集（4种方式）_yolov8训练自己的数据集-CSDN博客文章浏览阅读5.5w次，点赞113次，收藏702次。使用YOLOv8训练自定义数据集_yolov8训练自己的数据集https://blog.csdn.net/weixin_42166222/article/details/129391260https://blog.csdn.net/weixin_42166222/article/details/129391260

Download

我们可以在 Github 提供的项目中下载在 COCO 等数据集上训练好的权重文件，如下图所示。

Quickstart

执行命令：yolo predict model=yolov8n.pt source=ultralytics/assets device=cpu

yolo predict model=yolov8n.pt source=ultralytics/assets device=cpu

【说明】在执行这个命令 quickstart 前，我们需要提前下载官方预训练好的 yolov8n.pt 权重文件并将其上传至对应目录中。

自定义数据集 🎈 

在准备自定义数据集时，需要在项目的同级目录下创建 202406-data 文件夹，对数据集进行划分后的文件夹整体目录结构如下：

202406-data

        - train

                - images（训练数据集需要的图片）

                - labels（训练数据集需要的标注文件）

                - labels.cache（用于保存训练数据集中的类别标签）

        - val

                - images（验证数据集需要的图片）

                - labels（验证数据集需要的标注文件）

                - labels.cache（用于保存验证数据集中的类别标签）

Training ✨

执行命令：yolo task=detect mode=train model=yolov8.yaml data=202406.yaml epochs=30 batch=16

yolo task=detect mode=train model=yolov8.yaml data=202406.yaml epochs=30 batch=16

【警告】由于我在自建的 conda 环境中同时配置了 yolov8 和 yolov5，导致了一些错误的发生：

【彩蛋】202406.yaml 数据集配置文件：

train: /root/autodl-tmp/202406-data/train
val: /root/autodl-tmp/202406-data/val

# number of classes
nc: 8

# class names
names: ['person', 'rider', 'car', 'truck', 'bus', 'train', 'motorcycle', 'bicycle']

Validation ✨

执行命令：yolo task=detect mode=val model=runs/detect/train01/weights/best.pt data=202406.yaml batch=16

yolo task=detect mode=val model=runs/detect/train01/weights/best.pt data=202406.yaml batch=16

Prediction ✨

执行命令：yolo task=detect mode=predict model=runs/detect/train01/weights/best.pt  source=ultralytics/data/images  device=cpu

yolo task=detect mode=predict model=runs/detect/train85/weights/best.pt  source=ultralytics/data/images  device=cpu