1. 环境准备：从零搭建Ubuntu20.04深度学习基础

在开始Yolov8的部署之前，我们需要先搭建一个稳定的基础环境。Ubuntu20.04作为长期支持版本（LTS），是深度学习开发的理想选择。我建议使用全新的系统安装，避免之前安装的软件包造成冲突。

首先更新系统软件包：

sudo apt update && sudo apt upgrade -y

安装必要的系统依赖：

sudo apt install -y build-essential cmake git wget unzip python3-dev python3-pip

对于深度学习开发，我强烈推荐使用Anaconda来管理Python环境。这不仅能够隔离不同项目的依赖，还能避免系统Python环境被污染。下载并安装Anaconda：

wget https://repo.anaconda.com/archive/Anaconda3-2023.03-Linux-x86_64.sh
bash Anaconda3-2023.03-Linux-x86_64.sh

安装完成后，创建一个名为yolov8的专用环境：

conda create -n yolov8 python=3.8 -y
conda activate yolov8

接下来安装PyTorch，这是Yolov8运行的底层框架。根据你的硬件配置选择安装命令：

对于NVIDIA GPU用户（推荐）：

conda install pytorch==1.11.0 torchvision==0.12.0 torchaudio==0.11.0 cudatoolkit=11.3 -c pytorch

对于仅使用CPU的情况：

conda install pytorch==1.11.0 torchvision==0.12.0 torchaudio==0.11.0 cpuonly -c pytorch

验证PyTorch安装是否成功：

import torch
print(torch.__version__)  # 应该输出1.11.0
print(torch.cuda.is_available())  # GPU用户应该显示True

2. Yolov8安装与验证

环境准备就绪后，我们就可以安装Yolov8了。Ultralytics团队已经将Yolov8的核心功能封装成了一个Python包，这使得安装过程变得非常简单。

使用pip安装ultralytics包：

pip install ultralytics

如果遇到网络问题导致安装失败，可以尝试使用国内镜像源：

pip install ultralytics -i https://pypi.tuna.tsinghua.edu.cn/simple

安装完成后，我们需要验证Yolov8是否能够正常运行。创建一个简单的测试脚本test_yolov8.py：

from ultralytics import YOLO

# 加载预训练模型
model = YOLO('yolov8n.pt')  # 会自动下载yolov8n模型

# 进行预测
results = model('https://ultralytics.com/images/bus.jpg')

# 显示结果
results[0].show()

运行这个脚本：

python test_yolov8.py

如果一切正常，你会看到程序自动下载yolov8n.pt模型文件，并对示例图片进行目标检测，最后显示检测结果。第一次运行时模型下载可能会比较慢，建议耐心等待。

Yolov8提供了多种不同规模的模型，从轻量级的nano版本到高精度的xlarge版本。你可以根据需要选择不同的模型：

• yolov8n.pt：最轻量级，速度最快
• yolov8s.pt：小型模型
• yolov8m.pt：中型模型
• yolov8l.pt：大型模型
• yolov8x.pt：最大模型，精度最高但速度最慢

3. 自定义数据集准备

在实际项目中，我们通常需要使用自己的数据集进行训练。以智能停车位检测为例，我来详细介绍如何准备和标注自定义数据集。

首先创建数据集目录结构：

mkdir -p ~/yolov8_datasets/mydata/{train,val}/{images,labels}

这个结构遵循YOLO格式的标准：

• train/images：存放训练集图片
• train/labels：存放训练集标注文件
• val/images：存放验证集图片
• val/labels：存放验证集标注文件

对于停车位检测项目，我们需要收集大量停车场的图片。可以使用手机拍摄或从公开数据集中获取。建议至少准备1000张以上的图片，其中80%用于训练，20%用于验证。

标注工具推荐使用LabelImg或CVAT：

pip install labelImg
labelImg

标注时需要注意以下几点：

1. 每个停车位用一个矩形框标注
2. 标注文件保存为YOLO格式（.txt文件）
3. 确保标注框紧贴停车位边缘
4. 避免遗漏或错误标注

标注完成后，每个图片会对应一个同名的.txt文件，内容格式如下：

<class_id> <x_center> <y_center> <width> <height>

例如：

0 0.4453125 0.6342592592592593 0.1484375 0.07407407407407407

接下来创建数据集配置文件mydata.yaml：

# 训练和验证图像的路径
train: ~/yolov8_datasets/mydata/train/images
val: ~/yolov8_datasets/mydata/val/images

# 类别数量
nc: 1

# 类别名称
names: ['parking_slot']

4. 模型训练与调优

准备好数据集后，我们就可以开始训练自定义模型了。Yolov8提供了非常简单的训练接口。

基础训练命令：

yolo detect train data=~/yolov8_datasets/mydata/mydata.yaml model=yolov8n.yaml epochs=100 imgsz=640 device=0

这个命令中各个参数的含义：

• data：指定数据集配置文件路径
• model：指定使用的模型配置
• epochs：训练轮数
• imgsz：输入图像尺寸
• device：指定使用的设备，0表示第一个GPU

训练过程中，Yolov8会自动记录各种指标，包括损失函数值、精度、召回率等。你可以在终端看到实时输出，也可以在训练完成后查看详细的日志文件。

训练完成后，模型权重会保存在runs/detect/train/weights/目录下，其中：

• best.pt：验证集上表现最好的模型
• last.pt：最后一个epoch的模型

如果训练结果不理想，可以考虑以下调优策略：

1. 增加训练数据量
2. 调整学习率：使用--lr参数
3. 尝试更大的模型：如yolov8s或yolov8m
4. 增加数据增强：在配置文件中调整augment参数
5. 延长训练时间：增加epochs数量

一个更完整的训练示例：

yolo detect train data=~/yolov8_datasets/mydata/mydata.yaml \
model=yolov8s.yaml \
epochs=300 \
imgsz=640 \
batch=16 \
device=0 \
lr0=0.01 \
cos_lr=True \
augment=True

5. 模型测试与部署

训练完成后，我们需要对模型进行测试，评估其在实际场景中的表现。

使用训练好的模型进行预测：

yolo detect predict \
model=runs/detect/train/weights/best.pt \
source=~/test_images/parking_lot.jpg \
conf=0.5 \
save=True

参数说明：

• model：指定使用的模型权重
• source：可以是单张图片、视频文件、目录或URL
• conf：置信度阈值
• save：是否保存预测结果

预测结果会保存在runs/detect/predict目录下，包含标注框的图片和预测信息。

对于性能评估，可以使用val模式：

yolo detect val \
model=runs/detect/train/weights/best.pt \
data=~/yolov8_datasets/mydata/mydata.yaml \
device=0

这会输出模型的各项指标，包括mAP、精确率、召回率等。

如果需要在生产环境中部署模型，可以考虑以下方案：

1. 使用ONNX格式导出模型：

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

2. 使用TensorRT加速（需要NVIDIA GPU）：

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

3. 开发Flask或FastAPI接口提供Web服务
4. 集成到OpenCV应用中实现实时检测

6. 常见问题与解决方案

在实际部署过程中，可能会遇到各种问题。这里分享一些我遇到的典型问题及解决方法。

问题1：CUDA out of memory 解决方案：

• 减小batch size
• 降低输入图像尺寸
• 使用更小的模型
• 检查是否有其他程序占用GPU内存

问题2：训练损失不下降 可能原因：

• 学习率设置不当
• 数据标注质量差
• 模型容量不足 解决方案：
• 尝试不同的学习率
• 检查并修正标注错误
• 使用更大的模型

问题3：模型在测试集上表现差 可能原因：

• 训练数据不足
• 训练集和测试集分布不一致
• 过拟合 解决方案：
• 收集更多训练数据
• 确保训练和测试数据来自同一分布
• 增加数据增强
• 使用早停策略

问题4：安装依赖时冲突 解决方案：

• 使用全新的conda环境
• 严格按照官方推荐的版本安装
• 可以先导出环境配置：pip freeze > requirements.txt

对于性能优化，可以考虑以下技巧：

1. 使用半精度训练（--half参数）
2. 启用CUDA Graph加速
3. 使用DALI加速数据加载
4. 对模型进行剪枝和量化

7. 进阶技巧与最佳实践

经过多个项目的实践，我总结出一些Yolov8使用的最佳实践，能够显著提升开发效率和模型性能。

数据增强策略 在mydata.yaml中添加增强配置：

# 数据增强参数
augment: 
  hsv_h: 0.015  # 图像HSV-色调增强（分数）
  hsv_s: 0.7    # 图像HSV-饱和度增强（分数）
  hsv_v: 0.4    # 图像HSV-明度增强（分数）
  degrees: 10.0 # 图像旋转（+/- deg）
  translate: 0.1  # 图像平移（+/- 分数）
  scale: 0.5    # 图像缩放（+/- 增益）
  shear: 0.0    # 图像剪切（+/- deg）
  perspective: 0.0001  # 图像透视（+/- 分数）
  flipud: 0.0   # 图像上下翻转（概率）
  fliplr: 0.5   # 图像左右翻转（概率）

模型架构调整 可以修改yolov8n.yaml中的网络结构：

# YOLOv8n backbone
backbone:
  # [from, repeats, module, args]
  - [-1, 1, Conv, [64, 3, 2]]  # 0-P1/2
  - [-1, 1, Conv, [128, 3, 2]]  # 1-P2/4
  # ...其他层配置...

# 修改检测头
head:
  - [-1, 1, nn.Upsample, [None, 2, 'nearest']]
  # ...其他配置...

训练监控 使用TensorBoard监控训练过程：

tensorboard --logdir runs/detect/train

模型集成 训练多个模型后进行集成：

from ensemble_boxes import weighted_boxes_fusion

# 加载多个模型
model1 = YOLO('yolov8n.pt')
model2 = YOLO('yolov8s.pt')

# 分别预测
results1 = model1('image.jpg')
results2 = model2('image.jpg')

# 使用WBF进行结果融合
boxes, scores, labels = weighted_boxes_fusion(...)

实际部署建议

1. 对于边缘设备，使用TensorRT加速
2. 对于服务器部署，考虑使用Triton推理服务器
3. 对于移动端，转换为CoreML或TFLite格式
4. 实现异步处理提高吞吐量
5. 添加预处理和后处理流水线