第五章：计算机视觉（Computer Vision）- 项目实战之目标检测实战

第二部分：目标检测实战：中国交通标志检测

第三节：YOLOv8 模型搭建

在完成 数据准备与格式转化 之后，本节我们进入 YOLOv8 模型的搭建与训练 阶段。YOLOv8 是 Ultralytics 于 2023 年推出的最新一代 YOLO 模型，相比 YOLOv5、YOLOv7，具备更快的推理速度和更优的检测精度，非常适合我们在 中国交通标志检测 中使用。

---

1. YOLOv8 环境搭建

在开始之前，我们需要准备好运行环境：

# 安装 YOLOv8
pip install ultralytics

# 检查是否安装成功
yolo help

如果你看到一系列命令提示（如 yolo detect train/predict/val/export），说明 YOLOv8 已安装成功。

---

2. 数据集配置文件（data.yaml）

YOLOv8 需要一个 YAML 配置文件，用来描述数据集路径与类别信息。例如针对 TT100K 交通标志数据集 转换后的格式，我们编写如下文件：

# data.yaml
path: datasets  # 数据集根目录
train: images/train
val: images/val
test: images/test

nc: 200  # 类别数量 (TT100K 是200类，可根据实际精简)
names:
  - prohibitory
  - speedlimit
  - stop
  - crosswalk
  - trafficlight
  - ... # 依次写入 classes.txt 的内容

其中：

• nc 表示类别总数。

• names 必须与 classes.txt 保持一致。

• 你可以选择保留全部 200 类，或只保留常见的 10 类标志以降低难度。

---

3. YOLOv8 模型选择

YOLOv8 提供多个预训练模型，大小与速度各不相同：

模型	参数量	特点
yolov8n.pt	最小	速度最快，适合入门或移动端
yolov8s.pt	小型	较平衡，适合快速实验
yolov8m.pt	中型	准确率更高
yolov8l.pt	大型	精度高但速度稍慢
yolov8x.pt	最大	最强性能，适合 GPU 训练

在交通标志检测任务中，如果我们只是想 快速验证流程，可以用 yolov8n.pt；如果要 实际部署，推荐 yolov8s.pt 或 yolov8m.pt。

---

4. 模型训练

准备好数据后，开始训练模型：

yolo detect train \
  data=datasets/data.yaml \
  model=yolov8n.pt \
  epochs=50 \
  imgsz=640 \
  batch=16 \
  name=traffic_sign_yolov8

参数说明：

• data：数据集配置文件。

• model：预训练权重，可以选择 yolov8n.pt 等。

• epochs：训练轮数，50~100 较为常见。

• imgsz：输入图像尺寸，通常 640。

• batch：批量大小，根据显存设置。

• name：保存实验的名称。

---

5. 模型验证与测试

训练完成后，可以使用验证命令：

yolo detect val model=runs/detect/traffic_sign_yolov8/weights/best.pt data=datasets/data.yaml

也可以直接在测试集图片上运行预测：

yolo detect predict model=runs/detect/traffic_sign_yolov8/weights/best.pt source=datasets/images/test

预测结果会保存在 runs/detect/predict/ 文件夹下。

---

6. 可视化结果

YOLOv8 默认会生成训练过程中的曲线图，包括：

• loss 曲线：显示训练/验证集的损失下降情况。

• mAP 曲线：显示检测精度提升情况。

• PR 曲线：Precision-Recall 关系。

这些图表可以帮助我们判断模型是否 收敛，是否存在 过拟合。

---

7. 总结

在本节中，我们完成了 YOLOv8 的搭建与训练：

1. 安装 YOLOv8 并准备运行环境。

2. 编写 data.yaml 配置文件，定义交通标志数据集。

3. 选择合适的 YOLOv8 模型（n/s/m/l/x）。

4. 使用 yolo detect train 命令进行训练。

5. 使用验证与预测命令测试模型效果。

这样，我们就得到了一个能够自动检测交通标志的 YOLOv8 模型。