yolov8n训练 验证 测试集 vscode

### YOLOv8n 在 VSCode 中的训练、验证和测试操作指南 在 VSCode 环境中使用 YOLOv8n 进行训练、验证和测试集的操作，需要遵循以下方法。以下是详细的说明以及代码示例。 --- #### 1. 环境配置 首先确保安装了 Python 和相关依赖项。可以通过以下命令安装 `ultralytics` 库，这是 YOLOv8 的官方实现库[^1]。 ```bash pip install ultralytics ``` 接下来，在 VSCode 中配置运行环境，确保选择正确的 Python 解释器，并安装必要的扩展（如 Python 扩展）。 --- #### 2. 数据集准备 数据集应按照以下结构组织[^1]： ``` paper_data/ ├── annotations/ # 存储每张图片的标注文件（.xml） ├── images/ # 存储图片文件 ├── ImageSets/Main/ # 存储 train.txt、val.txt 等文件 ├── fruit.yaml # 数据集配置文件 ├── split_train_val.py # 划分训练集与验证集的脚本 └── voc_label.py # 填充路径的脚本 ``` - **`fruit.yaml` 文件**：定义数据集类别和路径。以下是一个示例配置文件[^2]： ```yaml train: paper_data/ImageSets/Main/train.txt val: paper_data/ImageSets/Main/val.txt test: paper_data/ImageSets/Main/test.txt nc: 3 # 类别数量 names: ['apple', 'banana', 'orange'] # 类别名称 ``` --- #### 3. 训练模型 在终端中运行以下命令以启动训练过程。将 `hzyw.yaml` 替换为自己的数据集配置文件名。 ```bash yolo train data=paper_data/fruit.yaml model=yolov8n.pt epochs=10 lr0=0.01 batch=4 ``` - **参数说明**： - `data`: 指定数据集配置文件路径。 - `model`: 使用预训练模型 `yolov8n.pt`。 - `epochs`: 设置训练轮数。 - `lr0`: 初始学习率。 - `batch`: 批处理大小。 --- #### 4. 验证模型 训练完成后，可以使用以下命令对验证集进行评估[^2]： ```bash yolo val data=paper_data/fruit.yaml model=runs/train/exp/weights/best.pt ``` - **参数说明**： - `data`: 数据集配置文件路径。 - `model`: 使用训练过程中保存的最佳权重文件。 --- #### 5. 测试模型 对于测试集，可以运行以下命令： ```bash yolo predict data=paper_data/fruit.yaml model=runs/train/exp/weights/best.pt source=paper_data/images/test/ ``` - **参数说明**： - `source`: 指定测试图片的路径。 --- #### 6. 在 VSCode 中调试 为了在 VSCode 中更方便地调试，可以创建一个 `launch.json` 文件，用于运行和调试命令。以下是一个示例配置： ```json { "version": "0.2.0", "configurations": [ { "name": "Train YOLOv8", "type": "python", "request": "launch", "program": "${workspaceFolder}/train.py", "args": [ "--data", "paper_data/fruit.yaml", "--model", "yolov8n.pt", "--epochs", "10", "--lr0", "0.01", "--batch", "4" ], "console": "integratedTerminal" } ] } ``` 通过此配置，可以在 VSCode 中直接启动训练任务。 --- ### 注意事项 - 确保数据集路径正确无误，并且所有文件均按要求命名和存储。 - 如果遇到 CUDA 错误，请检查 GPU 是否可用或切换到 CPU 模式。 - 在训练前，建议先运行少量样本进行测试，以确保配置文件和数据集无误。 ---