这次我们来看一个面向初学者的 YOLO 目标检测实战教程。YOLO（You Only Look Once）作为当前最流行的实时目标检测算法之一，其核心优势在于速度快、精度高，并且拥有活跃的社区和丰富的版本迭代。对于刚入门计算机视觉的新手来说，最大的障碍往往不是算法本身，而是复杂的环境配置、数据集处理和训练流程。本教程旨在解决这些问题，带你从零开始，一站式搞定 YOLO 的环境安装、模型推理、自定义数据集搭建与训练，让你能快速上手并应用到自己的项目中。

无论你是想用 YOLO 做行人检测、车辆识别，还是处理像鸟类、印章、建筑缺陷等特定领域的目标检测任务，这篇文章都将提供清晰的路径。我们会重点关注实操环节，包括如何在不同硬件（从 CPU 到 GPU）上配置环境，如何准备和标注自己的数据，以及如何启动训练并评估模型效果。整个过程会尽量避开理论深水区，聚焦于“能用、会调、能跑通”。

1. 核心能力速览

在深入细节之前，我们先快速了解通过本教程你将掌握的核心能力，以及对应的工具和资源要求。

能力项 说明与推荐工具
环境搭建 支持 Windows/Linux/macOS。核心依赖 Python、PyTorch、CUDA（GPU 用户）。推荐使用 Anaconda 或 Miniconda 管理环境。
硬件门槛 GPU（推荐） ：NVIDIA GPU（如 GTX 1060 6G 及以上），显存建议 4GB 以上，用于加速训练和推理。
CPU ：可进行推理和轻量训练，但速度较慢。
模型版本 以 YOLOv8 和 YOLOv5 为主，它们生态成熟、文档丰富，最适合入门。也会提及 YOLOv6、YOLOv7 等。
核心功能 1. 图片/视频推理 ：使用预训练模型快速检测目标。
2. 自定义数据集训练 ：从头训练或微调模型识别特定物体。
3. 模型导出 ：将训练好的模型转换为 ONNX、TensorRT 等格式，便于部署。
启动与使用方式 主要通过命令行和 Python 脚本。Ultralytics YOLOv8 提供了极其简洁的 CLI 和 Python API。
是否支持 API 支持。训练好的模型可以通过简单的 Python API 或封装成 Flask/FastAPI 服务提供 HTTP 接口。
是否支持批量任务 支持。无论是推理还是训练，都原生支持对图片目录、视频文件进行批量处理。
适合场景 学术研究、毕业设计、工业质检（如缺陷检测）、安防监控（行人/车辆）、智慧农业（病虫害识别）等需要快速实现目标检测的原型验证阶段。

2. 适用场景与使用边界

YOLO 是一个强大的工具，但明确其适用边界能让你更高效地利用它。

适合谁用？

  • 计算机视觉初学者 ：想快速入门目标检测，并看到实际效果。
  • 算法工程师/研究员 ：需要快速验证某个场景下目标检测的可行性。
  • 嵌入式开发者 ：关注模型轻量化与部署（如转换到 ONNX、TensorRT 或 K230 芯片）。
  • 学生 ：用于课程设计、毕业设计或科研项目。

能解决什么问题？

  1. 通用物体检测 ：识别图片或视频中的人、车、动物等常见目标。
  2. 特定领域检测 ：如工业领域的 印章检测 、 建筑外立面缺陷检测 ，农业领域的 鸟类检测 、病虫害识别。
  3. 实时视频流分析 ：结合 OpenCV 等库，对摄像头或视频文件进行实时目标检测与跟踪。

不适合什么场景？

  1. 需要极高精度的场景 ：对于医疗影像分析、自动驾驶等安全关键领域，YOLO 可作为 baseline，但通常需要更复杂的模型和后处理。
  2. 超小目标或密集目标检测 ：原生的 YOLO 模型对于像素占比极小的目标或非常密集的群体（如人群计数）效果可能不佳，需要针对性改进。
  3. 仅需分类或分割的任务 ：YOLO 主要用于检测（框出物体），如果你只需要判断图片类别（分类）或识别每个像素属于哪个物体（分割），应选择其他专用模型。

合规与伦理边界

  • 数据合规 ：训练自定义数据集时，必须确保你拥有图片的使用权或已获得授权，尤其是涉及人脸、车牌等敏感信息时。
  • 用途合规 ：不得将技术用于非法监控、侵犯他人隐私等用途。
  • 模型版权 ：使用预训练模型时，注意其开源协议（如 GPL、MIT），商业应用需仔细核对。

3. 环境准备与前置条件

工欲善其事，必先利其器。一个干净、兼容的环境是成功的第一步。

3.1 操作系统

  • Windows 10/11 ：最常用的平台，教程示例将以 Windows 为主，兼顾 Linux。
  • Linux (Ubuntu 20.04/22.04) ：深度学习开发的主流环境，稳定性与性能更佳。
  • macOS (Apple Silicon/Intel) ：支持 CPU 推理和训练，可使用 MPS 后端在 Apple Silicon 上加速。

3.2 基础软件

  1. Python : 版本 3.8 或 3.10 （3.9 和 3.11 也可能兼容，但 3.8/3.10 是社区验证最稳定的）。避免使用 Python 3.12 等过新版本，可能遇到依赖包不兼容问题。
  2. 包管理工具 ：强烈推荐使用 Conda （Anaconda 或 Miniconda）创建独立的虚拟环境，避免污染系统环境。
  3. Git : 用于克隆 YOLO 官方仓库。
  4. CUDA 和 cuDNN (GPU 用户必备) ：如果你的电脑有 NVIDIA GPU 并希望使用 GPU 加速，必须先安装它们。
    • 查看显卡驱动版本 ：在命令行输入 nvidia-smi ，右上角会显示 CUDA Version，例如 12.4 。这代表你的驱动支持的最高 CUDA 版本。
    • 安装 CUDA Toolkit ：前往 NVIDIA 官网，下载并安装与你驱动兼容的 CUDA Toolkit（例如 11.8 或 12.1）。安装时注意不要安装重复的显卡驱动。
    • 安装 cuDNN ：下载与 CUDA 版本对应的 cuDNN 库，将其文件复制到 CUDA 安装目录下。

3.3 硬件检查清单

  • GPU 用户 ：确保 NVIDIA 显卡驱动已更新。通过 nvidia-smi 确认 GPU 型号和显存大小（如 RTX 3060 12G）。训练 YOLOv8s 模型，6G 显存是较为舒适的起点。
  • CPU 用户 ：准备至少 8GB 内存。训练会非常缓慢，建议仅用于学习推理流程。
  • 磁盘空间 ：预留 10GB 以上空间用于安装环境、下载数据集和模型。

4. 安装部署与启动方式

我们将以 Ultralytics 出品的 YOLOv8 为例，因为它拥有目前最友好的 API。

4.1 创建并激活 Conda 环境 

# 创建一个名为 yolo 的 Python 3.10 环境
conda create -n yolo python=3.10 -y
# 激活环境
conda activate yolo

4.2 安装 PyTorch 访问 PyTorch 官网 ，根据你的 CUDA 版本选择安装命令。 例如，对于 CUDA 11.8：

# GPU 版本
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118

对于只有 CPU 的机器：

# CPU 版本
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cpu

4.3 安装 Ultralytics YOLOv8 这是最简单的一步，Ultralytics 将几乎所有依赖都打包好了。

pip install ultralytics

验证安装是否成功：

python -c "from ultralytics import YOLO; print('YOLOv8 安装成功！')"

4.4 验证环境与 GPU 创建一个简单的 Python 脚本 check_env.py ：

import torch
from ultralytics import YOLO

print(f"PyTorch 版本: {torch.__version__}")
print(f"CUDA 是否可用: {torch.cuda.is_available()}")
if torch.cuda.is_available():
    print(f"GPU 设备: {torch.cuda.get_device_name(0)}")
    print(f"当前显存占用: {torch.cuda.memory_allocated(0) / 1024**2:.2f} MB")

# 尝试加载一个最小的预训练模型
model = YOLO('yolov8n.pt')  # 纳米模型，下载快
print("YOLO 模型加载成功！")

运行它，如果看到 CUDA 可用且 GPU 信息正确打印，说明环境配置成功。

5. 功能测试与效果验证

环境搭好，马上进行第一轮测试，用预训练模型感受一下 YOLO 的能力。

5.1 图片推理测试 这是最直接的功能。准备一张包含常见物体（如人、车、狗）的图片 test.jpg 。

# 使用 CLI 命令进行推理
yolo predict model=yolov8n.pt source='test.jpg'

运行后，会在当前目录生成一个 runs/detect/predict 文件夹，里面保存了带有检测框的图片 test.jpg 。框上会标注类别和置信度。 判断成功 ：输出图片中，物体被正确框出并标注。

5.2 视频推理测试 处理视频同样简单。

# 指定视频文件
yolo predict model=yolov8n.pt source='input_video.mp4'
# 或者使用摄像头（0 代表默认摄像头）
yolo predict model=yolov8n.pt source=0

这会生成处理后的视频文件或实时显示检测画面。 常见问题 ：如果使用摄像头无画面，检查摄像头索引号，或确认是否有其他程序占用了摄像头。

5.3 使用 Python API 进行更灵活的控制 命令行方便，但 Python API 更强大。

from ultralytics import YOLO
import cv2

# 加载模型
model = YOLO('yolov8n.pt')

# 图片推理
results = model('test.jpg')
# 结果显示与保存
results[0].show() # 显示图片
results[0].save('result.jpg') # 保存图片

# 获取详细的检测结果
boxes = results[0].boxes
print(f"检测到 {len(boxes)} 个目标")
for box in boxes:
    cls_id = int(box.cls)
    conf = float(box.conf)
    xyxy = box.xyxy.tolist()[0]
    print(f"类别: {model.names[cls_id]}, 置信度: {conf:.2f}, 坐标: {xyxy}")

通过 API，你可以轻松获取每个检测框的坐标、类别和置信度，用于后续分析或集成到其他系统中。

6. 自定义数据集搭建与训练

使用预训练模型只是开始，让 YOLO 认识你自己的物体才是核心。

6.1 数据准备与标注

  1. 收集图片 ：尽可能收集多样化的图片（不同光照、角度、背景）。通常一个类别需要几百到几千张图片。
  2. 标注工具 ：使用 LabelImg 、 CVAT 或 Roboflow 。推荐 LabelImg，简单易用。
    • 安装： pip install labelImg
    • 启动： labelImg
  3. 标注格式 ：YOLO 使用的是归一化坐标的 .txt 文件格式。每张图片 image.jpg 对应一个 image.txt 。
    • TXT 文件每行格式： <class_id> <x_center> <y_center> <width> <height>
    • 坐标值都是相对于图片宽高的比例（0-1之间）。

6.2 组织数据集目录 按照以下结构组织你的数据：

custom_dataset/
├── images/
│   ├── train/
│   │   ├── image1.jpg
│   │   └── ...
│   └── val/
│       ├── image100.jpg
│       └── ...
└── labels/
    ├── train/
    │   ├── image1.txt
    │   └── ...
    └── val/
        ├── image100.txt
        └── ...

train 和 val 分别代表训练集和验证集，通常按 8:2 或 9:1 的比例划分。

6.3 创建数据集配置文件 创建一个 data.yaml 文件，放在数据集根目录。

# data.yaml
path: /path/to/custom_dataset  # 数据集根目录
train: images/train  # 训练集图片相对路径
val: images/val      # 验证集图片相对路径

# 类别数量
nc: 3
# 类别名称列表
names: ['cat', 'dog', 'person']

6.4 启动训练 使用 YOLOv8 的训练命令非常简单。关键是指定模型、数据和训练参数。

yolo train data=custom_dataset/data.yaml model=yolov8s.pt epochs=100 imgsz=640 batch=16
  • model=yolov8s.pt ：使用小模型（small）的预训练权重进行迁移学习，这是最常用的方式，收敛快。
  • epochs=100 ：训练轮数。
  • imgsz=640 ：输入图片缩放尺寸。
  • batch=16 ：批量大小。如果出现 CUDA out of memory 错误，需要减小 batch 值（如改为 8、4）。

训练开始后，终端会显示损失曲线、精度指标（mAP）。所有日志、模型权重都会保存在 runs/detect/train 目录下。

6.5 验证训练结果 训练结束后，使用验证集评估模型：

yolo val model=runs/detect/train/weights/best.pt data=custom_dataset/data.yaml

查看输出的 mAP@0.5 和 mAP@0.5:0.95 等指标，判断模型性能。

7. 模型导出与部署

训练好的模型需要导出为通用格式，才能在各种平台上部署。

7.1 导出为 ONNX 格式 ONNX 是一个开放的模型格式，可以被多种推理引擎支持。

yolo export model=runs/detect/train/weights/best.pt format=onnx

导出的 best.onnx 文件可以用于 OpenCV DNN、ONNX Runtime 等框架进行推理。

7.2 使用 ONNX Runtime 进行推理（Java/Python/C# 示例） 这里给出 Python 示例，展示如何脱离 Ultralytics 库使用 ONNX 模型。

import cv2
import numpy as np
import onnxruntime as ort

# 加载 ONNX 模型和类别名
session = ort.InferenceSession('best.onnx')
model_names = ['cat', 'dog', 'person'] # 与 data.yaml 一致

# 预处理图片
image = cv2.imread('test.jpg')
input_img = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)
input_img = cv2.resize(input_img, (640, 640))
input_img = input_img.transpose(2, 0, 1) # HWC to CHW
input_img = np.expand_dims(input_img, axis=0).astype(np.float32) / 255.0

# 推理
inputs = {session.get_inputs()[0].name: input_img}
outputs = session.run(None, inputs)

# 后处理 outputs (这里需要根据模型输出结构解析，略复杂)
# ... 解析出框、置信度、类别 ...
# 绘制框
# for box in boxes:
#    x1, y1, x2, y2 = box
#    cv2.rectangle(image, (x1, y1), (x2, y2), (0,255,0), 2)

cv2.imwrite('onnx_result.jpg', image)

注意 ：ONNX 模型的后处理（将模型输出转换为检测框）需要根据模型具体结构编写，YOLOv8 的导出模型通常包含后处理，但有些版本需要自己实现。

7.3 封装为 API 服务 对于需要提供 HTTP 接口的场景，可以使用 FastAPI 快速封装。

from fastapi import FastAPI, File, UploadFile
from ultralytics import YOLO
import cv2
import numpy as np
from io import BytesIO

app = FastAPI()
model = YOLO('runs/detect/train/weights/best.pt')

@app.post("/predict/")
async def predict_image(file: UploadFile = File(...)):
    contents = await file.read()
    nparr = np.frombuffer(contents, np.uint8)
    img = cv2.imdecode(nparr, cv2.IMREAD_COLOR)

    results = model(img)
    detections = []
    for box in results[0].boxes:
        detections.append({
            "class": model.names[int(box.cls)],
            "confidence": float(box.conf),
            "bbox": box.xyxy.tolist()[0]
        })
    return {"detections": detections}

if __name__ == "__main__":
    import uvicorn
    uvicorn.run(app, host="0.0.0.0", port=8000)

启动服务后，就可以通过发送图片到 http://localhost:8000/predict/ 来获取检测结果。

8. 资源占用与性能观察

了解资源消耗对于优化和部署至关重要。

8.1 训练阶段的资源观察 在训练时，关注以下两点：

  1. GPU 显存占用 ：使用 nvidia-smi 命令或 gpustat 工具实时查看。如果显存接近爆满，需减小 batch_size 或 imgsz 。
  2. 系统内存与 CPU ：使用任务管理器或 htop 查看。大规模数据加载可能消耗大量内存。

8.2 推理性能对比

  • 设备影响 ：在相同模型下，GPU 推理速度通常是 CPU 的 10-50 倍。
  • 模型尺寸影响 ：YOLOv8 提供了从 n (nano) 到 x (extra large) 的多种尺寸。模型越大，精度一般越高，但速度越慢，显存占用越大。
    • yolov8n.pt ：约 3MB，速度极快，适合移动端或实时性要求极高的场景。
    • yolov8s.pt ：约 22MB，精度和速度的平衡点，最常用。
    • yolov8m/l/x.pt ：依次增大，精度提升，速度下降。

8.3 性能优化建议

  1. 推理优化 ：
    • 减小输入尺寸 ： imgsz 从 640 降到 320 可以大幅提升速度，但会损失对小目标的检测能力。
    • 使用 TensorRT ：对于 NVIDIA GPU，将模型导出为 TensorRT 引擎，可以获得最大的推理加速。
    • 启用半精度 ：在推理时使用 half=True 参数，可以降低显存占用并提升速度。
    results = model(source, imgsz=640, half=True)
  2. 训练优化 ：
    • 使用预训练权重 ：永远从 *.pt 预训练模型开始训练，而不是从头训练。
    • 数据增强 ：YOLO 内置了丰富的数据增强，通常默认开启即可，无需手动调整。
    • 早停（Early Stopping） ：如果验证集精度在连续多个 epoch 内不再提升，可以提前停止训练，节省时间。

9. 常见问题与排查方法

遇到问题不要慌，大部分都是常见坑。

问题现象 可能原因 排查方式 解决方案
CUDA out of memory 1. batch_size 太大。
2. 模型太大（如 yolov8x ）。
3. 其他程序占用显存。		 运行 nvidia-smi 查看显存占用。 1. 减小 batch_size 。
2. 换用更小的模型（如 yolov8s ）。
3. 关闭不必要的图形界面或程序。
ImportError: No module named ‘ultralytics’ 未在正确的 Conda 环境下安装，或安装失败。 在终端输入 conda activate yolo 激活环境，再 pip list 查看。 1. 确认已激活环境。
2. 重新安装： pip install ultralytics 。
训练时 loss 为 NaN 1. 学习率 ( lr0 ) 过高。
2. 数据标注有严重错误（如坐标超出 0-1）。		 检查 data.yaml 路径是否正确，用脚本验证标签文件格式。 1. 降低学习率（如从 0.01 降到 0.001）。
2. 检查并修正错误的标注文件。
模型检测不到目标 1. 自定义数据集的类别与预训练模型不匹配。
2. 训练不充分或过拟合。
3. 推理时置信度阈值 ( conf ) 过高。		 1. 确认 data.yaml 中 names 正确。
2. 查看训练曲线，确认 mAP 在提升。
3. 可视化一些验证集图片看预测结果。		 1. 确保使用自己的 best.pt ，而非官方的预训练模型。
2. 增加训练轮数或数据量。
3. 降低 conf 参数（如 conf=0.25 ）。
标注工具 LabelImg 无法保存为 YOLO 格式 默认保存格式可能是 PascalVOC (.xml)。 查看 LabelImg 菜单栏。 在 LabelImg 中，点击菜单 View -> 勾选 Auto Save mode 和 Advanced Mode ，然后在右侧选择 YOLO 格式。
ONNX 模型推理结果不对 1. 预处理（归一化、通道转换）不一致。
2. 后处理代码错误。		 对比 Ultralytics 原生推理和 ONNX 推理对同一张图片的输出。 确保预处理步骤（如 /255.0 , BGR2RGB , HWC2CHW ）与模型训练时完全一致。参考官方导出代码。

10. 最佳实践与使用建议

根据经验，遵循以下建议可以少走很多弯路。

  1. 从小开始，快速迭代 ：

    • 先用 yolov8n.pt 和少量数据（50-100张）跑通整个流程：标注 -> 训练 -> 验证 -> 推理。
    • 确认流程无误后，再扩充数据集，使用更大的模型（如 yolov8s.pt ）进行正式训练。

  2. 数据是王道 ：

    • 质量高于数量 ：100张标注精准的图片，好过1000张标注粗糙的图片。
    • 多样性 ：确保训练集覆盖了实际场景中可能出现的各种情况（不同光照、遮挡、尺度）。
    • 划分验证集 ：一定要从训练数据中留出一部分（10%-20%）作为验证集，用于监控模型是否过拟合。

  3. 善用预训练权重 ：

    • 几乎在所有情况下，都应该从预训练模型开始微调（ model=yolov8s.pt ），而不是从头随机初始化训练（ model=yolov8s.yaml ）。前者能极大加快收敛速度并提升最终精度。

  4. 监控训练过程 ：

    • 训练时，Ultralytics 会启动一个本地 Web 服务（默认 http://localhost:6006 ），使用 TensorBoard 可视化所有指标。多观察损失曲线和 mAP 曲线，判断训练是否正常。

  5. 模型版本管理 ：

    • 每次实验，训练好的权重都会保存在 runs/detect/trainN 目录下。建议为每次重要的训练创建独立的实验文件夹，并记录下对应的超参数和数据配置，方便回溯和比较。

  6. 部署前全面测试 ：

    • 将模型部署到生产环境前，务必使用一个从未在训练和验证中出现的 测试集 进行最终评估。
    • 测试集应尽可能模拟真实场景，检查模型在边界情况下的表现。

掌握 YOLO 目标检测的本地化部署和训练能力，相当于获得了一把解决众多视觉识别问题的钥匙。从环境配置到自定义训练，整个流程的核心在于动手实践。遇到报错时，仔细阅读错误信息，大部分问题都能在 GitHub Issues 或相关技术社区找到答案。建议将本教程作为路线图，边操作边理解，先追求跑通，再逐步深入优化。当你成功训练出第一个能识别自己定制目标的模型时，后续的模型改进、工程化部署和性能优化都将有迹可循。

# 目标检测
Logo
https://edu.csdn.net/learn/39067/627173?utm_source=2019755004

汇聚全球AI编程工具，助力开发者即刻编程。

更多推荐

cover

AI审计手记 #06：沙箱逃逸漏洞与“不修复“的防御策略转移

avatar AI编程社区
cover

Codex 和 Claude Code 怎么订阅？套餐、API计费与付款避坑指南

avatar AI编程社区
cover

手绘草图秒变网页：GPT-Image + Claude 前端开发实战与选型指南

avatar AI编程社区