一、安装环境

笔者环境如下：

win10
anaconda
python3.8

二、clone代码

地址如下，可以直接使用git命令进行clone,也可以直接去网站下载

git clone https://github.com/ultralytics/ultralytics

代码目录如下所示

三、安装必要的库

其实这里比较重要的是两步，第一步是安装requirement.txt中的库，然后再安装ultralytics。那么下面就是安装库的过程了

安装requirement.txt

pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple/

安装ultralytics

 pip install ultralytics -i https://pypi.tuna.tsinghua.edu.cn/simple/

note:这个版本其实是基于torch写的，所以我们是需要安装深度学校框架库的，其实在requirement.txt的安装中就已经安装了torch,但是默认的是cpu版本的，如果你电脑有gpu,还是建议根据gpu的版本来配置对应的环境，然后安装gpu版本的torch,这样的话训练的时候速度会快一些，如果没有的话对于下面的训练也是没有关系的，可以给batch以及epoch设置小一些，也是可以执行的

四、配置自定的数据集

数据集是我提前准备好的，如果需要自定的话，是需要使用 labelImge 标注工具进行标注的，具体的可以参考下篇的这篇博文：

https://blog.csdn.net/public669/article/details/97610829?spm=1001.2014.3001.5502

准备好数据之后呢，就需要按照yolov8的格式对数据进行装载了

笔者这里是在ultralytics文件下新建了一个dataSets

然后在dataSets下新建images、labels、test、val文件夹

具体如下

images文件下放的是图片数据，具体如下，笔者这里使用的是细胞的数据集

labels文件下存放的是对应图片数据的标签信息

下面的就是就是数据的详细的信息了，这一步是需要使用代码进行装换的，具体的请参考https://blog.csdn.net/public669/article/details/98020800?spm=1001.2014.3001.5502

test文件下的格式也是一样的，需要有两个文件夹，分别是images和lables,同之前的一样，images中放的是用户测试的图片数据，labels下面放的是对应的图片label信息

val文件下的格式同上

数据装载完毕以后，就需要进行对应的yaml文件配置了，需要新建两个yaml文件，分别如下：rbc.yaml和yolov8n.yaml

rbc.yaml文件如下：

train: E:/Projects/ultralytics-main/ultralytics/dataSets/data/images
val: E:/Projects/ultralytics-main/ultralytics/dataSets/data/val/images
test: E:/Projects/ultralytics-main/ultralytics/dataSets/data/test/images

# number of classes
nc: 1

# class names
names: ['RBC']

yolov8n.yaml文件如下：

其他的地方都不需要动，只需要给nc修改为1就可以了

具体文件如下：

# Ultralytics YOLO 🚀, GPL-3.0 license

# Parameters
nc: 1  # number of classes
depth_multiple: 0.33  # scales module repeats
width_multiple: 0.25  # scales convolution channels

# YOLOv8.0n backbone
backbone:
  # [from, repeats, module, args]
  - [-1, 1, Conv, [64, 3, 2]]  # 0-P1/2
  - [-1, 1, Conv, [128, 3, 2]]  # 1-P2/4
  - [-1, 3, C2f, [128, True]]
  - [-1, 1, Conv, [256, 3, 2]]  # 3-P3/8
  - [-1, 6, C2f, [256, True]]
  - [-1, 1, Conv, [512, 3, 2]]  # 5-P4/16
  - [-1, 6, C2f, [512, True]]
  - [-1, 1, Conv, [1024, 3, 2]]  # 7-P5/32
  - [-1, 3, C2f, [1024, True]]
  - [-1, 1, SPPF, [1024, 5]]  # 9

# YOLOv8.0n head
head:
  - [-1, 1, nn.Upsample, [None, 2, 'nearest']]
  - [[-1, 6], 1, Concat, [1]]  # cat backbone P4
  - [-1, 3, C2f, [512]]  # 13

  - [-1, 1, nn.Upsample, [None, 2, 'nearest']]
  - [[-1, 4], 1, Concat, [1]]  # cat backbone P3
  - [-1, 3, C2f, [256]]  # 17 (P3/8-small)

  - [-1, 1, Conv, [256, 3, 2]]
  - [[-1, 12], 1, Concat, [1]]  # cat head P4
  - [-1, 3, C2f, [512]]  # 20 (P4/16-medium)

  - [-1, 1, Conv, [512, 3, 2]]
  - [[-1, 9], 1, Concat, [1]]  # cat head P5
  - [-1, 3, C2f, [1024]]  # 23 (P5/32-large)

  - [[15, 18, 21], 1, Detect, [nc]]  # Detect(P3, P4, P5)

五、训练

完成了上述的一些操作以后，就可以进行数据的训练了,需要执行cd命令

cd E:\Projects\ultralytics-main\ultralytics\dataSets

训练数据的命令如下：

yolo task=detect mode=train model=yolov8n.pt data=./data/rbc.yaml epochs=100 imgsz=640  resume=Ture

如果有GPU的话，可以对数据进行相应的配置

yolo task=detect mode=train model=yolov8n.pt data=./data/rbc.yaml batch=32 epochs=100 imgsz=640 workers=4 device=0

训练效果如下：

六、验证模型

训练结束以后相关的数据都放在

E:\Projects\ultralytics-main\ultralytics\dataSets\runs\detect\train下了

具体的模型都存放在weights下了，具体如下：

现在我们就需要对模型进行测试了

使用模型的测试命令如下：

yolo task=detect mode=predict model=runs/detect/train3/weights/best.pt source=data/images device=0

如果没有GPU的话，就给device=0给删除了

具体如下：

识别的结果如下：

可以看出来效果还是挺好的，相比之前的yolov3效果确实好很多，同时使用步骤方面的话也是挺简洁的。

yolov8训练自己的数据集到这里就结束了，后续会持续分享关于yolov8的应用，请持续关注我，让我们一起学习进步！

由于笔者能力有限，在表达方面可能存在一些不准确的地方，还请多多包涵。