一、准备工作

在开始之前，请确保你已经安装了 Python 环境（建议 3.8+）。我们需要用到以下工具：

1. LabelImg：用于标注图像。
2. Ultralytics YOLOv8：用于训练模型。

---

二、安装 LabelImg 并进行数据标注

1. 安装 LabelImg

打开终端或命令行，输入以下命令安装：

pip install labelImg

2. 启动 LabelImg

在终端输入：

labelImg

3. 标注设置（关键步骤）

打开软件后，务必进行以下设置：

1. 修改保存格式：在左侧菜单栏点击 "Change Output Dir" 选择标签保存位置。
2. 选择 YOLO 格式：点击顶部菜单的 "View" -> "Auto Save mode" 开启自动保存。
3. 关键：点击顶部菜单 "Change Output Dir" 旁边的 "PascalVOC" 按钮，将其切换为 "YOLO"。

4. 开始标注

1. 点击 "Open Dir" 打开你的图片文件夹。
2. 点击 "Create RectBox" (或快捷键 W)，在图上框选目标。
3. 在弹出的对话框中输入类别名称（例如：person, car）。
4. 标注完成后按 Ctrl+S 保存（因为开了自动保存，通常切图会自动保存），然后按 D 切换到下一张图。

标注结果说明：你会发现保存的标签是 .txt 文件，每一行对应一个目标，格式为：class_id x_center y_center width height(注意：坐标是归一化后的 0-1 之间的数值)

---

三、准备 YOLOv8 训练的数据集结构

为了让 YOLOv8 能顺利读取数据，我们需要将文件整理成以下目录结构。

1. 创建目录结构

在你的项目根目录下，手动创建文件夹，结构如下：

datasets/
├── images/
│   ├── train/      # 存放 80% 的训练图片
│   └── val/        # 存放 20% 的验证图片
└── labels/
    ├── train/      # 存放对应 train 图片的 txt 标签
    └── val/        # 存放对应 val 图片的 txt 标签

2. 划分数据集

将你之前标注好的图片和 txt 文件，按大约 8:2 的比例分别复制到 train 和 val 文件夹中。注意：图片和标签的名字必须一一对应（除了后缀名）。

---

四、配置数据集文件 (data.yaml)

在 datasets 文件夹的同级目录下（或者你喜欢的位置），创建一个名为 data.yaml 的文件。

这是一个配置文件，告诉 YOLOv8 数据在哪里、有多少类、类别叫什么。

data.yaml 内容示例：

# 数据集根目录（这里使用相对路径，也可以用绝对路径）
path: ./datasets  

# 训练图像文件夹 (相对于 path)
train: images/train  
# 验证图像文件夹 (相对于 path)
val: images/val  

# 类别数量
nc: 2  

# 类别名称
names: ['person', 'car'] 

注意：nc 的数字要和 names 列表里的数量一致。

---

五、安装 YOLOv8 并开始训练

1. 安装 Ultralytics 库

打开终端，运行：

pip install ultralytics

2. 编写训练代码 (train.py)

在项目根目录创建一个 Python 脚本 train.py，内容如下：

from ultralytics import YOLO

# 1. 加载模型
# 你可以选择 yolov8n.pt (nano, 速度快), yolov8s.pt (small), yolov8m.pt (medium) 等
# 如果没有预训练权重，它会自动下载
model = YOLO('yolov8n.pt') 

# 2. 开始训练
results = model.train(
    data='data.yaml',    # 指向我们刚才写的配置文件
    epochs=100,          # 训练轮数，建议先设 50-100 看效果
    imgsz=640,           # 输入图片大小，通常 640
    batch=16,            # 批次大小，根据显存调整，显存小就改小 (例如 8)
    device='0',          # 使用 GPU，如果你没有 GPU，改成 'cpu' (但会非常慢)
    project='runs/train',# 结果保存的文件夹
    name='my_experiment' # 实验名称
)

print("训练完成！")

3. 运行训练

在终端执行：

python train.py

训练过程中你会看到：

• 终端会打印损失函数 (loss)、精度 (mAP) 等信息。
• 训练好的权重文件会保存在 runs/train/my_experiment/weights/ 目录下，其中 best.pt 是效果最好的模型。

---

六、验证与推理 (可选)

训练完后，你可以写个简单的脚本测试一下模型效果：

创建 predict.py：

from ultralytics import YOLO
import cv2

# 加载你训练好的模型
model = YOLO('runs/train/my_experiment/weights/best.pt')

# 进行预测 (source可以是图片路径、视频路径或 0 调用摄像头)
results = model.predict(
    source='datasets/images/val/your_test_image.jpg', 
    save=True,  # 保存预测结果图片
    conf=0.25   # 置信度阈值
)

---

七、常见问题与注意事项

1. 报错 "No labels found"：

   • 检查 data.yaml 中的路径是否正确。
   • 检查图片名和 txt 文件名是否一致（例如 001.jpg 对应 001.txt）。
   • 确保 LabelImg 导出时选择的是 YOLO 格式，而不是 PascalVOC。

2. 显存不足 (CUDA out of memory)：

   • 减小 train.py 中的 batch 大小（例如从 16 改为 8 或 4）。
   • 或者减小 imgsz（例如从 640 改为 416）。

3. 类别顺序：

   • data.yaml 里的 names 顺序决定了 class_id。如果 LabelImg 里第一个标的是 'person'，那么 yaml 里第一个也必须是 'person'。