改进 YOLOv8 结构后，需要训练模型验证改进效果。

1 从源码安装Ultralytics

克隆Ultralytics源代码并以开发者模式安装：

git clone https://github.com/ultralytics/ultralytics.git
cd ultralytics
pip install -e .

-e .表示以开发者模式安装，可以直接修改源码并立即生效。

2 训练

from ultralytics import YOLO

# 加载模型（可以是 .pt 或 .yaml）
model = YOLO('yolov8n.yaml')  # 如果你要从头开始训练

model.train(data='data.yaml', epochs=50, imgsz=640)

data.yaml是 YOLOv8 的数据配置文件，描述了数据集路径、类别数量和名称。

path: /path/to/dataset  # 图片和标签的根路径
train: images/train
val: images/val

nc: 2  # 类别数量
names: ['bicycle', 'pedestrian']  # 类别名称

数据集的目录结构应该符合以下格式：

path/to/dataset数据集根路径

imagesRGB 图像

train训练集

val验证集

labels图像标签

train训练集

val验证集

images中的每张图片都应该对应到labels中的.txt标签文件。YOLO 标签格式为：

class_id x_center y_center width height

其中坐标为 0 到 1 的归一化坐标。

3 预测

和训练类似：

from ultralytics import YOLO

# 加载训练好的模型
model = YOLO("path/to/best.pt")

# 进行预测
results = model.predict(source="example.jpg", save=True, conf=0.25)

results是一个数组，每个元素是一张图片的预测结果，你可以从中获取：

• boxes.xyxy：边界框坐标；
• boxes.cls：类别索引；
• boxes.conf： 置信度；
• orig_img： 原图；
• plot()： 可视化图像。