YOLOv8 阶段一学习项目

从环境搭建到基础实践的完整 YOLOv8 学习框架

---

目录

• 项目简介
• 功能特性
• 快速开始
• 项目结构
• 文档
• 示例
• 贡献指南
• 许可证

---

项目简介

本项目是 YOLOv8 阶段一学习项目，旨在帮助开发者快速搭建 YOLOv8 开发环境，掌握完整的训练工作流程。项目采用模块化设计，提供一键环境配置、训练、验证、测试、评估、导出等完整功能。

学习目标：

• 掌握 YOLOv8 环境搭建和配置
• 熟悉训练、验证、测试、评估完整流程
• 学会使用数据预处理工具
• 掌握可视化分析方法
• 了解模型导出和部署

---

功能特性

• 一键环境配置: 自动检测 CUDA、安装依赖、验证环境
• 完整工作流程: 训练 → 验证 → 测试 → 评估 → 导出
• 数据预处理: 数据增强、格式转换、数据集划分
• 可视化分析: 训练曲线、混淆矩阵、检测结果展示
• 模型导出: ONNX、TensorRT、OpenVINO 等格式
• 配置驱动: YAML 配置文件，支持多实验管理
• 模块化设计: 易于扩展和定制

---

快速开始

1. 环境配置

Windows:

# 双击运行
scripts\setup_env.bat

Linux/macOS:

# 添加执行权限
chmod +x scripts/setup_env.sh

# 运行安装脚本
./scripts/setup_env.sh

2. 下载数据集

python scripts/download_data.py --dataset coco128

3. 一键运行

python scripts/quick_start.py

4. 分步运行

# 训练
python src/trainer.py --config configs/train.yaml

# 验证
python src/validator.py --config configs/val.yaml

# 测试
python src/tester.py --config configs/test.yaml

# 评估
python src/evaluator.py --config configs/val.yaml

---

项目结构

YOLO_learning/
├── configs/                    # 配置文件目录
│   ├── train.yaml             # 训练配置
│   ├── val.yaml               # 验证配置
│   ├── test.yaml              # 测试配置
│   └── data/                  # 数据集配置
│       ├── coco128.yaml       # COCO128 数据集配置
│       └── custom.yaml        # 自定义数据集模板
│
├── src/                       # 源代码目录
│   ├── trainer.py             # 训练器
│   ├── validator.py           # 验证器
│   ├── tester.py              # 测试器
│   ├── evaluator.py           # 评估器
│   └── exporter.py            # 导出器
│
├── tools/                     # 工具目录
│   ├── data/                  # 数据处理工具
│   │   ├── augment.py         # 数据增强
│   │   ├── convert.py         # 格式转换
│   │   └── split.py           # 数据集划分
│   ├── visualization/         # 可视化工具
│   │   ├── curves.py          # 训练曲线
│   │   ├── confusion.py       # 混淆矩阵
│   │   └── detection.py       # 检测结果
│   └── utils/                 # 通用工具
│       ├── env_check.py       # 环境检查
│       ├── logger.py          # 日志管理
│       └── helpers.py         # 辅助函数
│
├── scripts/                   # 脚本目录
│   ├── setup_env.sh           # Linux/macOS 环境配置脚本
│   ├── setup_env.bat          # Windows 环境配置脚本
│   ├── quick_start.py         # 快速开始脚本
│   └── download_data.py       # 数据集下载脚本
│
├── examples/                  # 示例目录
│   ├── train_example.py       # 训练示例
│   ├── val_example.py         # 验证示例
│   ├── test_example.py        # 测试示例
│   └── export_example.py      # 导出示例
│
├── docs/                      # 文档目录
│   ├── README.md              # 文档总索引（分类导航）
│   ├── getting-started/       # 入门上手
│   │   ├── installation.md    #   安装指南
│   │   └── quickstart.md      #   快速开始
│   ├── guides/                # 使用指南
│   │   └── data_preparation.md#   数据准备
│   ├── api/                   # 接口参考
│   │   └── api_reference.md   #   API 文档
│   └── theory/                # 理论学习
│       └── yolo_theory.md     #   YOLOv8 理论知识
│
├── tests/                     # 测试目录
│   ├── test_trainer.py        # 训练器测试
│   ├── test_validator.py      # 验证器测试
│   └── test_tools.py          # 工具测试
│
├── data/                      # 数据目录（gitignore）
├── runs/                      # 运行输出目录（gitignore）
├── weights/                   # 模型权重目录（gitignore）
│
├── .gitignore                 # Git 忽略文件
├── requirements.txt           # Python 依赖列表
├── setup.py                   # 包安装配置
├── LICENSE                    # MIT 许可证
└── README.md                  # 项目说明文档

---

文档

详见 文档中心 的按类导航，重点文档如下：

• 安装指南 - 详细的环境配置说明
• 快速开始 - 5 分钟上手教程
• 数据准备 - 数据集格式和准备方法
• API 文档 - 核心模块使用说明
• YOLOv8 理论知识 - 算法原理与公式推导
• 学习路线 - 完整的 YOLO 学习路径

---

示例

训练示例

from src.trainer import YOLOTrainer

# 创建训练器
trainer = YOLOTrainer("configs/train.yaml")

# 开始训练
metrics = trainer.train()

print(f"最佳模型: {metrics['best_model']}")

验证示例

from src.validator import YOLOValidator

# 创建验证器
validator = YOLOValidator("configs/val.yaml")

# 开始验证
metrics = validator.validate()
validator.print_metrics()

测试示例

from src.tester import YOLOTester

# 创建测试器
tester = YOLOTester("configs/test.yaml")

# 测试图片
results = tester.test_image("path/to/image.jpg")

导出示例

from src.exporter import YOLOExporter

# 创建导出器
exporter = YOLOExporter("configs/export.yaml")

# 导出 ONNX
exporter.export_onnx(imgsz=640, half=False, dynamic=True)

更多示例请查看 examples/ 目录。

---

贡献指南

欢迎贡献！请随时提交 Issue 或 Pull Request。

1. Fork 本仓库
2. 创建功能分支（git checkout -b feature/AmazingFeature）
3. 提交更改（git commit -m 'Add some AmazingFeature'）
4. 推送到分支（git push origin feature/AmazingFeature）
5. 提交 Pull Request

---

许可证

本项目采用 MIT 许可证 —— 详见 LICENSE 文件

---

致谢

• Ultralytics 提供了优秀的 YOLO 框架
• Roboflow 提供了数据集托管和标注工具
• 所有数据集提供者和开源贡献者

---