【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： ONNX > OpenVINO > CoreML > TFLite">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： ONNX > OpenVINO > CoreML > TFLite">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/129391260
https://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
