环境准备
- 准备Conda及YOLO环境
创建名为yolov8的虚拟环境。
conda create -n yolov8 python=3.10
成功后激活环境。
conda activate yolov8
安装YOLO环境。（非CUDA ）
conda install -c conda-forge ultralytics
安装YOLO环境。（如果你计划在CUDA环境中请用下面这个，注意cuda的版本号）
conda install -c pytorch -c nvidia -c conda-forge pytorch torchvision pytorch-cuda=11.8 ultralytics
- 测试环境
运行下面的命令测试安装是否成功。
yolo predict model=yolov8n.pt source='https://ultralytics.com/images/bus.jpg'
在命令行可以看到类似这样的结果，打开这个目录。
看到下面的图就表示成功了！
开始训练
- 准备数据集
我们可以在kaggle官网搜索需要的数据集。文章这个例子使用的是：施工现场安全图像数据集，下载数据集。
如果无法注册账号请使用魔法工具，或者参考这位大佬的文章-kaggle注册问题，一般不能注册的原因都是因为Google的人机验证加载不出来。
解压后的css-data目录（左图）里的文件（右图）就是YOLO格式的数据集。（PS:在kaggle中下载的数据集有多种格式，注意不要用错)
- 编写yaml文件
创建safeHat.yaml文件，这个文件告诉YOLOv8关于数据集的信息（留意Hardhat和NO-Hardhat “0和2”），记得修改路径为你本机的实际路径。
# 模型训练时使用的yaml配置文件。该文件说明了数据的地址和待训练的类别
# 数据集的根路径
path: D:\ultralytics\archive\css-data
# 配置三个路径，分别对应训练数据、验证数据、测试数据的地址
# 训练数据用于模型的训练
train: D:\ultralytics\archive\css-data\train\images
# 验证数据用于模型训练过程中的评估和参数调试
val: D:\ultralytics\archive\css-data\valid\images
# 测试数据用于模型完成训练后的测试
test: D:\ultralytics\archive\css-data\test\images
# number of classes
nc: 10
# 0-9分别指代下面的类型，注意Hardhat和NO-Hardhat（0和2）
# class names#names: ['0','1','2','3','4','5','6','7','8','9']
#Hardhat - 安全帽
#Mask - 口罩
#NO-Hardhat - 无安全帽
#NO-Mask - 无口罩
#NO-Safety Vest - 无安全背心
#Person - 人
#Safety Cone - 安全锥
#Safety Vest - 安全背心
#machinery - 机械(挖掘机)
#vehicle - 车辆
names: [Hardhat, Mask, NO-Hardhat, NO-Mask, NO-Safety Vest, Person, Safety Cone, Safety Vest, machinery, vehicle]
- 使用数据集训练自己的模型
创建yolo_train.py脚本（与safeHat.yml文件在同级目录），用于训练模型。 CPU训练
from ultralytics import YOLO #导入Yolo模块
# 加载yolov8的预训练模型，这个模型是yolov8使用了coco数据集训练的通用目标检测模型.
# #我们将它作为基础模型，在该模型的基础上，训练安全帽模型
model = YOLO('yolov8n.pt') # 用于加载模型
# model.to('cuda')# 使用 GPU 设备
# 训练用户自定义的数据集，数据的配置保存在safehat.yaml中，epochs等于100表示100轮迭代
model.train(data='safeHat.yaml', epochs=100)
#使用验证集验证效果
model.val ()
GPU训练
from ultralytics import YOLO
import torch
# 加载yolov8的预训练模型
model = YOLO('yolov8n.pt')
# 选择设备
device = 'cuda' if torch.cuda.is_available() else 'cpu'
model.to(device)
# 定义主函数
if __name__ == '__main__':
# 训练用户自定义的数据集
model.train(data='safeHat.yaml', epochs=100, save=True, save_period=10)
# 训练完成后进行验证
model.val()
在命令行中，cd命令切换到你的项目目录（包含safeHat.yaml文件的目录），在命令行运行我们的训练脚本开始训练：
python yolo_train.py
看到如下图类似的数据就代表在训练了，等待训练完成（如果你的一轮训练时间很长可以使用GPU训练或者减少训练迭代次数）。
更建议用GPU来训练，速度快指数倍
使用模型
- 查看模型
在训练脚本同级目录下的runs\detect\train\weights\best.pt就是我们训练得出的模型。
- 使用模型预测
创建yolo_test.py脚本，用于测试我们的模型。
#在代码中导入YOLO模块
from ultralytics import YOLO
# 导入训练好的模型best.pt
model = YOLO("runs\\detect\\train\\weights\\best.pt")
# 随意找一些测试数据
# 图片数据和视频数据都可以，直接将数据传入接口就可以了
# 设置 conf=0.5 时，这意味着只有模型以至少 50% 的置信度识别出的对象才会被保留并输出。
model.predict('source_files\\source_files\\*.jpg', save=True, conf=0.5)
# model.predict("source_files\\source_files\\*.mp4", save=True, conf=0.7)
# 在识别数据时，传入了classes = [0，2]
# 代表只输出0和2，也就是安全帽是否佩戴这两个类别
model.predict("source_files\\source_files\\schupan_japan1web.jpg", save=True, classes = [0,2], conf=0.7)
可以看到，这是我此时的文件目录结构。
在命令行中，cd命令切换到你的项目目录（包含safeHat.yaml文件的目录），在命令行运行我们的测试脚本开始测试：
python yolo_test.py
如果看到下图的输出，代表预测成功了。
打开runs\detect\predict可以看到我们的预测结果。
这个是指定了class的输出。
这个是默认的输出。
