【保姆级教程】从YOLOv8目标检测coco128数据集理解模型训练、验证与预测

检测模型	尺寸 (像素)	mAPval 50-95	速度 CPU ONNX (ms)	速度 A100 TensorRT (毫秒)	params (M)	FLOPs (B)
YOLOv8n	640	37.3	80.4	0.99	3.2	8.7
YOLOv8s	640	44.9	128.4	1.20	11.2	28.6
YOLOv8m	640	50.2	234.7	1.83	25.9	78.9
YOLOv8l	640	52.9	375.2	2.39	43.7	165.2
YOLOv8x	640	53.9	479.1	3.53	68.2	257.8

（2）性能指标说明

mAPval 50-95：平均精度均值（mean Average Precision），在交并比（IoU）阈值从50%到95%范围内的变化，是衡量目标检测模型性能的关键指标，数值越高表示模型性能越好。
速度 CPU ONNX (ms)：模型在CPU上运行时，使用ONNX（Open Neural Network Exchange）格式的推理速度，单位是毫秒（ms）。
速度 A100 TensorRT (毫秒)：模型在NVIDIA A100 GPU上运行时，使用TensorRT优化后的推理速度，单位是毫秒（ms）。TensorRT是一个深度学习推理引擎，可以优化模型以加快在NVIDIA GPU上的运行速度。
params (M)：模型的参数总数，以百万（M）为单位。参数数量越多，通常表示模型结构越复杂，计算需求越高。
FLOPs (B)：模型运行时所需的浮点运算次数（Floating Point Operations Per Second），通常用来衡量模型的计算复杂度。

（3）表格总结：

模型	特点	适用场景
YOLOv8n	参数量和FLOPs少，轻量级，推理速度快，检测准确率相对低	资源有限设备（嵌入式、移动端），对实时性要求极高且对准确率要求不苛刻的场景（如简单监控检测物体是否移动）
YOLOv8s	模型规模增大，能学习更复杂特征，准确率提升，速度较YOLOv8n有所下降但仍较高	需要速度和准确度较好平衡的应用（如普通安防监控检测人和车辆）
YOLOv8m	模型更大，准确率显著提升（小目标和复杂场景检测能力增强），速度进一步下降，计算资源需求增加	对准确度有更高要求且要考虑速度的场景（如工业检测产品微小缺陷）
YOLOv8l	参数较多，准确率较好，能处理复杂检测任务（如重叠目标检测分类），速度慢，需较强计算能力	对准确度要求高的应用（如高级安防监控识别目标行为身份）
YOLOv8x	参数量和FLOPs最多，检测准确率最高（复杂场景、小目标检测出色），速度最慢，硬件要求高	准确度至关重要的高端应用（如高端医学影像分析、高精度自动驾驶）

2、分类版本（cls）：

主要用于图像分类任务。这些模型通常有一个全局平均池化层和一个全连接层作为输出层，用于预测输入图像所属的类别。

（1）模型性能对比

分类模型	尺寸 (像素)	准确率Top1	准确率Top5	速度CPU ONNX (ms)	速度A100 TensorRT (ms)	参数 (M)	FLOPs (B) at 640
YOLOv8n - cls	224	66.6	87.0	12.9	0.31	2.7	4.3
YOLOv8s - cls	224	72.3	91.1	23.4	0.35	6.4	13.5
YOLOv8m - cls	224	76.4	93.2	85.4	0.62	17.0	42.7
YOLOv8l - cls	224	78.0	94.1	163.0	0.87	37.5	99.7
YOLOv8x - cls	224	78.4	94.3	232.0	1.01	57.4	154.8

（2）性能指标说明：

版本: 各个版本的YOLOv8模型，从最小的YOLOv8n-cls到最大的YOLOv8x-cls。
top-1准确率 (%): 模型在ImageNet验证集上的top-1准确率，表示模型预测得分最高的类别恰好是正确类别的比例。
top-5准确率 (%): 模型在ImageNet验证集上的top-5准确率，表示模型预测得分最高的前五个类别中包含正确类别的比例。
CPU ONNX 处理速度 (ms): 在CPU上使用ONNX格式时的处理速度，单位为毫秒每张图片。
A100 TensorRT 处理速度 (ms): 在NVIDIA A100 GPU上使用TensorRT加速时的处理速度，单位为毫秒每张图片。
参数量 (M): 模型中的参数总数，以百万为单位。
FLOPs (B) at 640: 执行一次前向传播所需的浮点运算次数，以十亿次为单位，基于640像素的输入计算。

（3）表格总结:

模型	特点	适用场景
YOLOv8n - cls	最轻量，处理速度最快，准确率相对较低	资源有限或对速度要求较高的场景
YOLOv8s - cls	在保持较高速度的同时准确率有所提升	需要在速度和准确度之间取得平衡的应用
YOLOv8m - cls	准确率显著提升，仍需考虑处理速度	对准确度有更高要求，但也要考虑速度的场景
YOLOv8l - cls	更高的准确率，处理速度较慢	对准确度要求较高的应用
YOLOv8x - cls	提供最高的准确率，速度最慢，需要较强硬件支持	准确度至关重要的高端应用

二、常见公开数据集

1、常见公开深度学习数据集

本次介绍21个常见的公开深度学习数据集，涵盖了目标检测、图像分割、图像分类、人脸、自动驾驶、姿态估计、目标跟踪等方向。表格中包括了数据集的类型、功能简述。

序号	数据集名称	类型	功能
1	ImageNet	图像分类	包含1400多万张标注图像，涵盖1000个类别，用于图像分类任务
2	COCO	目标检测、图像分割	包含33万多张图像，覆盖80类物体，用于目标检测、分割和图像标注任务
3	MNIST	图像分类	包含70000张手写数字图像，用于手写数字识别任务
4	CIFAR-10 / CIFAR-100	图像分类	包含60000张32x32像素的彩色图像，分为10类或100类
5	Pascal VOC	目标检测、图像分割	提供20类对象的标注，用于目标检测和图像分割任务
6	LFW (Labeled Faces in the Wild)	人脸识别	包含13000多张人脸图像，用于人脸识别任务
7	Cityscapes	自动驾驶、图像分割	包含50个城市街道场景的高质量图像，用于自动驾驶和图像分割任务
8	KITTI	自动驾驶	包含德国街道和高速公路场景的多样化图像和激光雷达数据，用于自动驾驶任务
9	Open Images	目标检测、图像分割	包含900多万张图像，用于目标检测和分割任务
10	Medical Image Datasets	医疗影像	包括多种医疗影像数据，用于疾病诊断和医学影像分析任务
11	VQA (Visual Question Answering)	图像理解	包含26万余张图片和相应的问题，用于视觉问答任务
12	MS COCO	目标检测、图像分割	包含33万多张图像，覆盖80类物体，用于目标检测和分割任务
13	PASCAL 3D+	姿态估计	包含12类物体的3D姿态注解，用于物体姿态估计任务
14	MPII Human Pose	姿势估计	包含4万多张人体图像，标注了关节位置，用于人体姿势估计任务
15	YouTube-BB	目标跟踪	包含5000多个视频片段，标注了50多万个边界框，用于目标跟踪任务
16	ImageNet VID	目标跟踪	扩展了ImageNet数据集，包含多个视频序列，用于视频目标检测和跟踪任务
17	Caltech-101	图像分类	包含101个类别的图像，用于图像分类任务
18	Caltech-256	图像分类	包含256个类别的图像，用于图像分类任务
19	SUN RGB-D	自动驾驶、图像分割	包含10335张RGB-D图像，用于室内场景理解任务
20	SIFT Flow	光流估计	包含2800张图像，用于密集对应估计任务
21	ETH-80	物体识别	包含8类物体的图像，用于物体识别任务

2、COCO128数据集

COCO128数据集是COCO数据集的一个子集，包含128张高质量的图像，广泛应用于目标检测、图像分割和实例识别等任务，COCO128数据集虽然规模不大，却具备COCO数据集的基本结构和注释格式。

三、环境配置

前提：Anaconda和pycharm已安装，如果不知道怎么安装请看我下面过往文章链接的安装步骤。（Anaconda和pycharm已安装，可直接略过）

【一站式详细教程】PyCharm安装与Anaconda下PyTorch环境配置-CSDN博客https://blog.csdn.net/qq_62844901/article/details/143945328?spm=1001.2014.3001.5502

1、新建一个pytorch测试环境

（1）创建虚拟环境

（base环境下）创建名字为yolov8new，python版本为3.8的虚拟环境

conda create -n yolov8new python=3.8

激活pytorch的环境

conda activate yolov8new

（2）官网下载安装pytorch

Previous PyTorch Versions | PyTorchhttps://pytorch.org/get-started/previous-versions/

输入nvidia-smi查看自己电脑的CUDA版本（win+r，输入cmd点击“确定”或回车）
如下图我的CUDA是11.7版本的，如果没有显示就选择CPU版本的。

在pytorch网页安装对应的PyTorch版本，可选择conda方式或者pip方式下载：

如下是CUDA11.7，conda方式的pytorch下载安装命令：

conda install pytorch==2.0.1 torchvision==0.15.2 torchaudio==2.0.2 pytorch-cuda=11.7 -c pytorch -c nvidia

验证是否pytorch安装成功，验证命令如下，显示版本号即表示安装成功：

python import torch
 
# 查看torch版本
print(torch.__version__)

（3）安装常用库：

输入安装所需的各种库命令：

# 安装matplotlib 
pip install matplotlib==3.7.3 -i https://pypi.doubanio.com/simple/
 
# 安装sklearn 
pip install scikit-learn==0.24.2 -i https://pypi.doubanio.com/simple/
 
# 安装pytz 
pip install pytz -i https://mirrors.aliyun.com/pypi/simple/
 
# 安装pandas 
pip install pandas==1.1.5 -i https://pypi.doubanio.com/simple/
 
# 安装opencv 
pip install opencv_python==4.4.0.40 -i https://pypi.doubanio.com/simple/
 
# 安装imageio 
pip install imageio -i https://pypi.org/simple/

#安装ultralytics （也是ultralytics的pip下载方式）
pip install ultralytics -i https://pypi.org/simple/

进入python验证是否下载成功，验证命令如下：

import numpy as np 
import pandas as pd 
import sklearn 
from sklearn.linear_model import LogisticRegression 
from sklearn import metrics 
import cv2 
import matplotlib 
import ultralytics
 
#最后输入exit()退出