YOLOv8是Ultralytics开发的YOLO目标检测和图像分割模型的最新版本，相较于之前的版本，YOLOv8可以更快速有效地识别和定位图像中的物体，以及更准确地分类它们。

YOLOv8需要大量的训练数据来实现最佳性能。为了让YOLOv8能够有效地识别自己的应用中的物体，开发者需要准备大量的训练数据，而构建自定义数据集是一个非常耗时的过程，往往收集图像、标记图像并以正确的格式导出它们可能就需要数十甚至数百个小时。为了解决这一问题，YOLOv8在官方教程中，为我们推荐了一款强大的开源工具—Roboflow。

Roboflow介绍

Roboflow是一款专为YOLOv8设计的自动化训练数据工具，它为YOLOv8提供了一种更便捷、更快速的方式来准备训练数据。它能够自动从开发者提供的原始图像数据中提取所需的信息，并将其转换为YOLOv8可以直接使用的格式。Roboflow还提供了一种独特的标记方式，让开发者更轻松地为图像中的物体设定标签，以便YOLOv8能够更有效地识别它们。本文将介绍如何使用Roboflow来训练YOLOv8自定义数据集。

创建自己的数据集

首先，我们把想要训练的图片整理到一个文件夹中，并设置图片尺寸与格式统一。

接着，使用Roboflow创建数据集。前往Roboflow官网点击右上角注册账号，然后通过Roboflow将自定义数据集进行标注并直接导出到 YOLOv8以进行训练。具体操作步骤如下：

在这里插入图片描述

导入目标文件夹后，双击任何一张图片即可进入标注，这里我们以第一张图片为例，操作步骤如图所示：

在这里插入图片描述

图片标注完成，返回后点击右上方进行保存。选择“Split Images Between Train/Vaild/Test”，根据系统推荐自动划分训练集、验证集和测试集，最后导出文件压缩包至电脑。

在这里插入图片描述

训练数据集

将得到的数据集压缩包解压到仓库的主路径中，为了方便后续调用CLI命令更便捷，这里我们将数据集重命名为“flyerdata”。

在这里插入图片描述

再把数据集复制到下图所示路径中（YOLOv8在训练数据集时，会默认从这个路径内找数据）。

在这里插入图片描述

在“pycharm”打开自创数据集中的“data.yaml”，修改文件中的路径。

在这里插入图片描述

修改保存后，在yolov8环境下的终端输入：

yolo task=detect mode=train model=yolov8n.pt data=flyerdata/data.yaml epochs=100 imgsz=640 workers=4 batch=4

同时将“data=”后缀修改为自己数据集的路径，回车开始训练。训练完成之后，结果会保存在最后一行指示的路径中。

在这里插入图片描述

预测新数据

训练完成后，会得到一个属于你自己的训练集模型。

在这里插入图片描述

根据你的数据集训练结果模型的位置来修改以下代码，完成模型验证：

yolo task=detect mode=val model=runs/detect/train5/weights/best.pt data=flyerdata/data.yaml

新数据的预测

用验证后的训练集模型预测新数据，需要先收集和我们的数据集相关的同类型图片，做成新的文件夹，图片大小和格式保持与之前的数据集图片一致，这里我们将新的图片文件夹命名为“images”，并放进仓库主路径中。

接下来根据数据集训练结果模型的位置来修改以下代码，“source”是指新图片文件夹的位置，由于我们已经将文件夹放在了仓库主路径中，故可直接修改为”source=images”，然后开始预测。

yolo detect mode=predict model=runs/detect/train5/weights/best.pt source=images

在这里插入图片描述

如需用训练后得到的数据集模型来训练视频，则把想训练的视频放在仓库主路径上，然后用以下代码（将“source=”后缀改成视频的路径）调用即可：

yolo detect mode=predict model=runs/detect/train5/weights/best.pt source=video/1.mp4

在这里插入图片描述

预测完成后，预测结果也同样自动保存在最后一行指定路径中。

总结

总而言之，Roboflow是一种非常有用的工具，它提供了一种简单的方式来调整训练数据，使其能够更好地适应YOLOv8的要求，帮助我们更轻松地准备YOLO v8所需的训练数据。还可以自动转换和标记图像，以及针对不同的训练数据集设置特定的训练参数，确保YOLOv8能够更有效地识别物体，从而使YOLOv8能够更有效地学习。