训练数据集准备

在kaggle平台或者其他数据集的平台搜索相应的数据集，也可以自己拍摄大量的照片整理成数据集。
整理数据集的时候要注意数据标签的各式，必须是yolo-v8对应的格式，如果下载的数据集中自带的数据标签不是yolo-v8的格式（例如pascal voc），需要我们将数据格式转化为yolo-v8的格式

搭建环境

安装anaconda

下载anaconda，清华源下载链接：https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/
在下载目录下找到对应版本（linux、mac、windows）的anaconda软件进行下载，下载之后按照常规的安装步骤将软件安装到主机上。

配置python虚拟环境

打开anaconda 的“anaconda prompt”命令行窗口
创建python3.8的虚拟环境：conda create -n myenv python=3.8
激活创建的虚拟环境：conda activate myenv
退出创建的虚拟环境：conda deactivate

安装yolo-v8以及labelimg图片标注工具

打开"anaconda prompt"命令行窗口，进入虚拟环境：
conda activate myenv
切换镜像源到清华源：
pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple/
pip config set install trusted-host pypi.tuna.tsinghua.edu.cn
安装yolo-v8:
pip install ultralytics
安装labelimg图片标注工具：
pip install labelimg

编写配置文件和训练脚本文件

编写yaml配置文件(文件名为dataset.yaml)

# 训练数据路径
train: E:\Mypro\*****
# 验证数据路径
val: E:\Mypro\*****
# 测试数据路径
test: E:\Mypro\*****
# 目标种类数目
nc: 10
# 目标名称
# dog
# cat
# horse
names: ['dog','cat','horse']

编写模型训练代码（文件名称为yolotrain.py）

from ultralytics import YOLO  # 导入yolo模块
model = YOLO('yolov8n.pt')  # 用于加载yolo-v8的通用预训练模型
model.train(data='dataset.yaml',epochs=100)		# 加载上步编写的yaml配置文件，获取其中配置参数内容
model.val()		# 使用验证集验证效果

运行训练数据集获得模型

运行yolotrain.py开始训练模型，大概需要稍长时间具体由数据集大小而定，训练完成后会在当前目录下产生一个runs/detect/train目录，目录中weights目录中保存了训练好的模型文件best.pt和last.pt，一般使用best.pt进行目标识别应用。

测试训练好的数据模型

编写测试代码（文件名称yolotest.py）

from ultralytics import YOLO # 导入yolo模块
model = YOLO('best.pt')		# 加载训练好的模型
# 识别图片或者视频中的目标
model = predict('001.jpg',save=True)
model = predict('002.mp4', save=True)
# 只识别自己指定的0,1类别的目标，line_width表示识别框字体大小
model = predict('003.jpg',save=True,classes = [0,1],line_width = 30)
model = predict('004.mp4',save=True,classes = [0,1],line_width = 30)

运行测试程序获取结果

运行yolotest.py，识别结果保存在在当面目录下的runs/detect/predict中，打开图片或者视频文件就可以看到圈出来目标的图片或者视频文件。