### 如何通过 Python 文件运行 YOLOv8 模型 使用 Python 文件运行 YOLOv8 模型可以通过 Ultralytics 提供的官方 API 实现。以下是一个完整的代码示例，展示如何加载模型、进行推理以及处理输出。 ```python from ultralytics import YOLO # 加载预训练的 YOLOv8 模型 model = YOLO("yolov8n.pt") # 可以选择不同的模型大小，如 yolov8s.pt, yolov8m.pt 等[^1] # 使用模型对图像进行推理 results = model("image.jpg") # 对单张图片进行推理 # 打印推理结果 for result in results: boxes = result.boxes # 获取检测框信息 print(boxes.xyxy) # 输出边界框坐标 (x1, y1, x2, y2) print(boxes.conf) # 输出置信度分数 print(boxes.cls) # 输出类别索引 ``` 上述代码展示了如何加载一个预训练的 YOLOv8 模型并对其进行推理。`YOLO("yolov8n.pt")` 中的 `yolov8n.pt` 是默认的小型模型文件，用户可以根据需求替换为其他模型文件，例如 `yolov8s.pt`, `yolov8m.pt` 或自定义训练的模型文件[^1]。 如果需要从头开始训练模型或加载自定义数据集，可以参考以下代码： ```python from ultralytics import YOLO # 加载 YOLOv8 模型 model = YOLO("yolov8n.yaml") # 使用配置文件创建新模型 # 使用自定义数据集训练模型 model.train(data="custom_dataset.yaml", epochs=100, imgsz=640) # 设置数据集路径、训练轮数和图像尺寸[^2] # 导出模型为 ONNX 格式（可选） success = model.export(format="onnx") # 导出模型以便在其他框架中使用 ``` 此外，如果需要获取模型的 GFLOPs 信息，可以通过以下方法实现： ```python from thop import profile import torch from ultralytics import YOLO # 加载模型 model = YOLO("yolov8n.pt").model # 转换为 PyTorch 模型 # 创建虚拟输入 input_tensor = torch.randn(1, 3, 640, 640) # 输入形状为 (batch_size, channels, height, width) # 计算 FLOPs flops, params = profile(model, inputs=(input_tensor,)) print(f"GFLOPs: {flops / 1e9}") ``` 此代码片段展示了如何计算模型的 GFLOPs，这对于评估模型的计算复杂度非常有用。 ### 注意事项 - 如果遇到模型多次加载的问题，可能是因为代码中多次调用了 `YOLO()` 函数实例化模型对象。确保只在必要时加载模型。 - 在迁移学习场景下，可以通过修改配置文件或直接调整超参数来优化模型性能[^2]。