训练 YOLOv8n-seg 模型可以使用 Ultralytics 提供的 `YOLO` API，通过 Python 脚本进行高效操作。以下是一个完整的训练流程，涵盖数据准备、模型加载和训练过程。 ### 数据准备 确保你的数据集按照 YOLO 格式组织，通常包括图像文件和对应的标签文件（`.txt` 文件），并且划分好训练集和验证集。数据集目录结构通常如下： ``` dataset/ ├── images/ │ ├── train/ │ └── val/ └── labels/ ├── train/ └── val/ ``` 同时，需要一个 `data.yaml` 配置文件，指定类别数量、类别名称、训练集和验证集路径等信息。例如： ```yaml train: ./dataset/images/train val: ./dataset/images/val nc: 80 # 类别数量 names: ['class1', 'class2', ...] # 类别名称列表 ``` ### 安装依赖 确保已安装以下依赖项： - Python 3.x - PyTorch - Ultralytics YOLOv8 库 可以通过以下命令安装 Ultralytics： ```bash pip install ultralytics ``` ### 加载预训练模型并开始训练 使用以下 Python 脚本加载预训练的 YOLOv8n-seg 模型并开始训练： ```python from ultralytics import YOLO # 加载预训练模型 model = YOLO('yolov8n-seg.pt') # 开始训练 model.train( data='data.yaml', # 数据集配置文件路径 epochs=100, # 训练轮数 imgsz=640, # 输入图像尺寸 batch=16, # 批量大小 device=0, # 使用的 GPU 设备编号，若为 CPU 则设为 'cpu' workers=4, # 数据加载线程数 project='runs/train', # 训练结果保存路径 name='exp' # 训练实验名称 ) ``` ### 训练参数说明 - `data`: 指定 `data.yaml` 文件路径。 - `epochs`: 设置训练的总轮数。 - `imgsz`: 输入图像的尺寸，默认为 640。 - `batch`: 每个批次的图像数量，根据显存大小调整。 - `device`: 指定训练设备，如 `0` 表示使用第一个 GPU，`cpu` 表示使用 CPU。 - `workers`: 数据加载的线程数。 - `project`: 训练结果（如权重、日志等）的保存路径。 - `name`: 实验名称，训练结果将保存在 `project/name` 目录下。 ### 微调模型 如果你希望在已有模型基础上进行微调，只需将 `model.train()` 中的参数调整为适合你的数据集即可。预训练权重可以显著提升模型性能并减少训练时间[^1]。 ### 验证与推理 训练完成后，可以通过以下代码对模型进行验证和推理： ```python # 验证模型 metrics = model.val() print(metrics) # 对单张图像进行推理 results = model('path/to/image.jpg') results[0].show() ```