一、基础环境安装

1.安装MIniconda

1.下载：Miniconda
https://mirrors.tuna.tsinghua.edu.cn/anaconda/miniconda/

2.安装：
勾选"Add Miniconda3 to my PATH environment variable"（这一步至关重要，自动添加到环境变量）

3.验证安装
打开CMD控制面板：输入“conda --version”回车
应显示：conda 23.x.x类似

2.配置Conda环境

1.打开CMD控制面板
  创建名为yolov8的环境，指定Python 3.8，输入：
  “conda create -n yolov8 python=3.8”
  输入“y”，继续下载
  再输入“conda activate yolov8”回车激活软件。

2.配置国内镜像源
​
pip config set global.index-url https://mirrors.tuna.tsinghua.edu.cn/pypi/web/simple
​
回车！

二、PyTorch安装

1.检查显卡CUDA版本

1.在win中搜power，打开控制板，输入
nvidia-smi
查看硬件版本（例如11.8）

2.安装PyTorch

1.安装PyTorch（确保yolov8环境已经激活）
下载网址：https://pytorch.org/  网址，找到比自己版本低的，复制后面的代码到控制面板中，回车，然后输入y进行下载。
​
​
使用pyp镜像站安装就ok：(CPU版本，速度快，可在VSCode中直接运行)
pip install torch==2.3.1 torchvision==0.18.1 torchaudio==2.3.1 -i https://pypi.tuna.tsinghua.edu.cn/simple
或者参考DeepSeek

三、YoLoV8安装

1.安装ultralytics

输入pip install ultralytics，继续下载

四、VS Code开发环境

1.下载VS Code

浏览器下载vs Code    
​
地址：https://vscode.js.cn/Download
​
安装时勾选"添加到PATH"
​
进入后点击左侧拓展商店搜索chinese更改语言环境

2.配置PyThon开发环境

2.1安装Python扩展

• 然后打开vs code搜索python，点击安装

五，在线标注

在线标注网址：https://www.makesense.ai/

• 1.点击Get Started进入标注

• 2.点击导入图像

• 3.导入图像完成后点击 Object Detection选择目标检测标注方式

• 4.添加标签，输入标签名，点击 Start project 开始标注（可以理解为瑕疵的分类）

• 5.标注完成后，点击 Actions -> Export Annotions 勾选YOLO format，导出标注文件，等待浏览器开始下载标注文件压缩包完成即可。

注意右侧标签需要选择（确定标注位置的标签）。

• 标注文件为.txt格式

六、模型的训练

在项目文件夹下创建Datas目录，添加images、labels目录用于存放训练图像和标注文件，分别给两个文件夹添加trai、val目录存放训练集和测试集，这里没有准备测试集，所以将12张图片既做训练集也做测试集。
​
上述讲一下文件的存放路径问题，也可以参考下面“图片保存目录问题”！！！
​
下面步骤直接打开已经写好的训练模型。

上面的前期工作处理完成之后，接下来准备训练，在VS Code中点击文件，打开文件夹，导入模型(文件位置在上一级文件夹中的位置，名称为：ultralytics-8.3.191)。
​
接着鼠标放在任意代码中，按shift+ctrl+p，选择python解释器，选择yolov8模型

1.模型介绍及设置

1.打开data.yaml，更改三个路径，这里使用相对路径
​
代码中的nc：1 指的是标签数量，简单讲就是瑕疵数量

2.train.py文件
图片箭头部分代码：选择训练使用的模型，在这个训练文件中包含了yolov8和yolov11，我们选择yolov8
这里设置图片的训练参数：尺寸等
训练结束后生成的.pt文件路径也在这段代码中

3.训练完成之后，生成.pt文件，路径在train.py中代码中的name中，已上述。
​
但是VS Code生成的.pt文件并不会被c#识别，所以需要用到转换成onx格式的代码，在export.py中，如下图：

2.训练模型

上面工作全部了解或者更改后，准备开始训练模型！！！
切换到train.py右键点击运行。或者右上角点击运行。

出现类似界面表示成功运行！！！
​
但是不要在普通笔记本上训练，性能较差，比较慢，实际工作中是在工控机上训练的。

3.格式的转换

1.训练完成后，模型会保存在：
​
​
text
runs/train/0905-yolo11n-480-CPU-exp-6/weights/
├── best.pt    # 🥇 最佳模型（推荐使用）
└── last.pt    # 最后保存的模型
​
​
2，复制.pt文件的名字，放到export.py的代码中，更换需要转换的文件的名字，点击运行，转化成功。如下图所示：

3.转换完成后，成成的onx文件的位置在：
​
​
你的项目目录/
├── runs/train/0904-yolov8n-480-CPU-exp-/weights/best.pt  # 原始模型
├── best.onnx                                             # ✅ 转换后的ONNX文件（就在这！）
├── train.py
└── ...
​
重要：best.onnx 文件生成在运行转换命令的当前目录，而不是在 runs/train/ 里。
​
​