前文中完成了简单的配置，现在学习一下怎么使用模型进行训练。
训练：yolo train data=… model=yolov8n.pt epochs=... lr0=0.03
试一下怎么用：
执行过程长这样：
执行后在对应文件夹看结果，啥都有。包括训练/验证时的图像，各种评估方法等，并且会保存最优权重。
使用coco训练集可以完成模型的训练，那么要训练自己的数据集，要怎么做呢？--那当然是模仿！
准备数据集时，要模仿coco数据集的存储格式并且进行配置。
coco8
- images
- train
- val
- labels
- train
- val
images里面存放图片，labels里面存放信息---打开一个.txt文件看看长啥样
里面存放了五个参数，第一个是类别，第二、三个参数是归一化后的中心坐标，第四、五个参数是归一化后的长&宽
- 什么是归一化？为什么要归一化？
- 就是读入图片时，画出的boundingbox的各参数与原图片的宽和高之比
- 归一化是为了数据便于计算，统一存储格式，以及避免因原图片尺寸不同而导致计算量等有所影响。
接下来简单看一下.yaml中数据的存储格式
path：存储绝对路径
train/val/test：都是存储在path下的路径。就是path指定了一个大文件夹，而这三个是大文件夹下的子文件夹。
知道大概流程就开始打标了- -，我打算在多分辨率下进行标注，是个不小的工程量。用labelimg标注时一直按w绘制方框就完了。
（下图中只是部分框选，是未完成打标的图像，因为也可以看到漏了好几个的）
打标打了160张图，五六千个框框，人麻了- -打标打了两天
完成标注后，下一步是对yolo网络的调用。前面已经提到文件夹的排列方式。
训练集和验证集相应存放图片/标签
完成文件存放后，配置.yaml文件
下一步，就是切换路径，调用模型训练自己的数据集了。
激活环境---切换路径（主要是懒得打绝对路径才这样的）---调用模型，设置参数
这里手快打漏了cd 顾着截图去了-
在这里，设置了迭代次数为10，图像大小为640* 640，其他参数比如初始学习率等也可以设置，详见其他博客。
yolo train model=yolov8n.pt data=mydata.yaml epochs=10 imgsz=640
首先会显示模型的架构以及参数量，
跑起来长这样，然后等训练完成就好了。后续工作就是进行参数的调整或者针对具体任务改变网络架构（修改.yaml文件，改model，再设置pretrained=xxx.pt）等。模型训练完成后，在相应的runs文件夹查看混淆矩阵以及各曲线，且会自动存储最优权重。
小结：其实yolo网络上手是很简单的，零基础的都能轻松使用，也不需要什么编程基础...会打标，会放文件，会配置环境就好了。之后的项目中也要经常用到yolo的，这次算是开了个头吧！
