YOLOV8命名不同于V5系列，V8不强调yolo这一模型，更加强调其框架属性，所以V8在github上的项目名为 ultralytics 。
所以在下载代码时不要怀疑，就是这个地址：https://github.com/ultralytics/ultralytics
下边写基于V8模型做分类的方法
数据集部分
分类模型的数据集与V5的检测或分割最大的不用试，既不需要配置文件也不需要标注文件。
数据集先直接分为train和val（必须是这两个名称）
然后再在teain和val下再分不同的类别，一个类别一个文件夹，文件夹的名称既是类别的名称，文件夹内全部是图片，没有标注文件或其他。
训练部分
训练和预测开始前需要配置好V8所使用的环境，环境依照项目的requirements配置即可。
训练代码如下：
#from ultralytics import RTDETR
from ultralytics import YOLO
if __name__ == "__main__":
model = YOLO('D:/code/model/ultralytics-main/models/yolov8s-cls.pt')
# Display model information (optional)
# model.info()
# Train the model on the COCO8 example dataset for 100 epochs
results = model.train(task='classify',mode='train', \
data='E:/data/classfication_datasets_2', batch=8, imgsz=640, \
val=False, cache=False, optimizer='auto',cos_lr=True, close_mosaic=25, amp=False, half=False, \
dnn=False, int8=False, dynamic=False, simplify=False, degrees=30, mosaic=1, augment=True, mixup=0.75, \
copy_paste=0.5, scale=0.5,epochs=100,device=0,workers=2)注意 ：这里 ‘model = YOLO('D:/code/model/ultralytics-main/models/yolov8s-cls.pt')’ 括号内是提前下载好的预训练模型的地址。预训练模型内已经包含网络结构类型等，所以不需要另外的网络配置文件。
预训练权重下载地址在项目的readme中有说明，如下：
data中 ‘data='E:/data/classfication_datasets_2',’ 这里的地址是数据集目录的地址（train文件夹上一级）。其他参数和V5类似的含义，直接按需求修改（还有一部分参数这里未给出，是默认值，也可以直接设置）。
预测部分
代码如下：
from ultralytics import YOLO
import cv2
import numpy as np
import os
from tqdm import tqdm
def cv_show(name:str,img):
cv2.namedWindow(name,0)
cv2.imshow(name, img)
cv2.waitKey(100)
# cv2.destroyAllWindows()
return
class ClsPredict():
# 预训练权重，训练权重
def __init__(self,official_model,custom_model) -> None:
self.model = YOLO(official_model) # load an official model
self.model = YOLO(custom_model) # load a custom model
# 单张预测
def predict(self,img):
# 0Predict with the model
results = self.model(img)
# 各类别名称
names = results[0].names
# 各类别置信度
confs = results[0].probs.data.cpu().numpy()
# 置信度最高的索引
max_index = np.argmax(confs)
state = names[max_index]
score = confs[max_index]
return state+str(score)
if __name__ == "__main__":
# 预训练权重地址（与训练时使用的是同一个）
official_model = 'D:/code/model/ultralytics-main/models/yolov8s-cls.pt'
# 训练的得到的权重的地址
custom_model = 'D:/code/model/ultralytics-main/runs/classify/train6/weights/last.pt'
clspredic = ClsPredict(official_model,custom_model)
img = cv2.imread(img_path)
results = clspredic.predict(img) # predict on an image最终返回的结果包含每个类的名称和每个类的置信度，一一对应。