yolov8已经训练好的模型怎么跑测试集

### 使用已训练好的YOLOv8模型对测试集进行推理 要使用已经训练好的 YOLOv8 模型对测试集进行推理，可以通过命令行或者 Python 脚本实现。以下是两种方法的具体说明： #### 方法一：通过命令行执行推理 可以利用 `yolo` 命令工具来快速完成推理操作。假设您已经有了一个名为 `best.pt` 的预训练权重文件以及对应的数据配置文件（如 `hat.yaml`），您可以按照以下方式运行推理命令[^2]: ```bash yolo predict model=best.pt source=path/to/test/images data=hat.yaml imgsz=640 conf=0.25 iou=0.45 ``` - 参数解释： - `model`: 预训练模型的路径。 - `source`: 测试图片所在的目录或单张图片的路径。 - `data`: 数据集的 YAML 文件路径，其中定义了类别和其他参数。 - `imgsz`: 输入图像大小，默认为 640×640。 - `conf`: 置信度阈值，低于该值的目标会被过滤掉。 - `iou`: IOU 阈值，用于 NMS 后处理。 此命令会自动加载指定的模型并对测试集中所有的图片进行预测并保存结果。 --- #### 方法二：通过 Python 脚本执行推理 如果希望通过脚本来控制更多细节，则可以直接调用 Ultralytics 提供的 API 来完成推理过程[^3]。下面是一个完整的代码示例： ```python import warnings from ultralytics import YOLO if __name__ == '__main__': # 忽略警告信息 warnings.filterwarnings('ignore') # 加载预训练模型 model = YOLO('path/to/best.pt') # 替换为您实际的最佳模型路径 # 执行验证评估 results = model.val( data='path/to/hat.yaml', # 替换为您的数据集 YAML 文件路径 split='test', # 设置为 test 表明在测试集上运行 imgsz=640, # 图像尺寸设置为 640x640 batch=16, # 批量大小设为 16 iou=0.6, # IoU 阈值调整至 0.6 conf=0.001, # 置信度阈值非常低以捕获尽可能多的结果 workers=8 # 并行工作线程数设为 8 ) # 输出最终指标 metrics = results.metrics print(f"Validation Metrics:\n{metrics}") ``` 上述代码实现了以下几个功能： 1. **忽略警告**: 运行过程中可能会有一些不必要的警告消息被打印出来，因此我们提前屏蔽这些干扰项。 2. **加载模型**: 利用 `Yolo()` 函数加载本地存储的最佳模型权重量化版本。 3. **验证模式**: 对于给定的数据集，在测试子集上调用 `.val()` 方法计算 mAP 和其他性能评价标准。 4. **自定义超参**: 可自由调节诸如批量大小 (`batch`)、IoU 阈值 (`iou`) 或置信水平 (`conf`) 等重要参数。 --- ### 注意事项 无论是采用哪种方式进行推理，请务必确认以下几点： - 您使用的模型路径和数据集路径均正确无误； - 如果是在 GPU 上部署推理任务，需安装支持 CUDA 的 PyTorch 版本； - 推理前建议先检查一次环境变量是否正常指向官方推荐镜像源[^1]。