引子

前面两篇实战,你学会了”这是猫”(分类)和”这是不是手写数字”——但真正现实场景的问题是:猫在哪?

  • 自动驾驶:前方有行人和车辆,它们在哪里?
  • 安防监控:画面里有没有人闯入?闯入的人在哪个位置?
  • 工厂质检:这个零件有没有瑕疵?瑕疵在哪个区域?

目标检测 = 分类 + 定位。同一张图里,框出所有物体,并说出每个框里是什么。

YOLO(You Only Look Once)是目前工业界最主流的目标检测框架——快(实时 30fps+)、准(mAP 追上两阶段检测器)、简单(Ultralytics 封装的 API 只有几行代码)。


前置知识


一、环境安装

1
pip install ultralytics opencv-python matplotlib

看,就这么一个包。Ultralytics 团队把训练、验证、导出、推理全部集成到 ultralytics 里了。

验证安装:

1
2
import ultralytics
ultralytics.checks()
1
2
Ultralytics 8.3.0 🚀 Python-3.12 torch-2.5.1 CUDA:0 (NVIDIA RTX 4060, 8188MiB)
Setup complete ✅ (8 CPUs, 2 GPUs)

二、用预训练模型跑推理(5 行代码)

先感受一下。什么都不用训练,下载一个预训练的 YOLOv8n(n=nano,最小最快):

1
2
3
4
5
6
7
8
from ultralytics import YOLO

# 下载预训练模型并推理
model = YOLO('yolov8n.pt') # 自动下载,6.2MB
results = model('https://ultralytics.com/images/bus.jpg')

# 显示结果
results[0].show()

会弹出一个窗口,公交车、行人、交通灯全部框好。

选模型

模型 参数量 mAP@50 速度(GPU) 下载大小
YOLOv8n (nano) 3.2M 37.3 最快 6.2 MB
YOLOv8s (small) 11.2M 44.9 快 22.1 MB
YOLOv8m (medium) 25.9M 50.2 中等 51.3 MB
YOLOv8l (large) 43.7M 52.9 慢 87.1 MB
YOLOv8x (xlarge) 68.2M 53.9 最慢 136.3 MB

日常用 YOLOv8s——精度和速度的甜点区。


三、训练自定义数据集

以 口罩检测 为例——你的任务:从图片中找出谁没戴口罩。

3.1 数据集格式

Ultralytics 使用 YOLO 标注格式:

1
2
3
4
5
6
7
8
datasets/
├── images/
│ ├── train/
│ ├── val/
├── labels/
│ ├── train/
│ ├── val/
└── data.yaml

每张图片对应一个 .txt 标注文件,每行一个目标:

1
<类别id> <x_center> <y_center> <宽度> <高度>

归一化到 [0, 1] 的相对坐标。例如:

1
2
3
# image.jpg 里有一个人在左上角戴口罩(类别 0),右下角有人没戴(类别 1)
0 0.25 0.30 0.20 0.35
1 0.75 0.70 0.18 0.40

3.2 准备数据

你可以标注自己的数据(用 LabelImg / Roboflow 标注),也可以直接用公开数据集:

1
2
3
4
5
# Roboflow 一键下载(需要 API key)
from roboflow import Roboflow
rf = Roboflow(api_key="YOUR_KEY")
project = rf.workspace("roboflow-58fyf").project("face-mask-detection")
dataset = project.version(1).download("yolov8")

3.3 训练

1
2
3
4
5
6
7
8
9
10
11
12
13
14
from ultralytics import YOLO

model = YOLO('yolov8s.pt') # 从 COCO 预训练权重开始

results = model.train(
data='datasets/face-mask-detection-1/data.yaml',
epochs=50,
imgsz=640,
batch=16,
patience=10, # 10 轮没有提升自动停止
lr0=0.01, # 初始学习率
augment=True, # 启用数据增强
cache=True, # 缓存图片到 RAM 加速
)

训练过程中,Ultralytics 会实时输出:

1
2
3
4
5
6
7
Epoch   GPU_mem   box_loss   cls_loss   dfl_loss   Instances   Size
1/50 2.8G 1.462 1.832 1.245 97 640
10/50 2.9G 0.921 0.743 0.986 132 640
20/50 2.9G 0.753 0.512 0.874 84 640
30/50 2.9G 0.642 0.389 0.721 103 640
40/50 2.9G 0.587 0.323 0.668 91 640
50/50 2.9G 0.541 0.287 0.612 105 640

完成后自动保存到 runs/detect/train。

3.4 验证

1
2
3
4
5
metrics = model.val()
print(f"mAP@50: {metrics.box.map50:.3f}") # 平均精度
print(f"mAP@50-95: {metrics.box.map:.3f}") # 严格版 mAP
print(f"Precision: {metrics.box.mp:.3f}") # 精确率
print(f"Recall: {metrics.box.mr:.3f}") # 召回率

预期结果(口罩检测,简单的场景):

1
2
3
4
mAP@50: 0.923
mAP@50-95: 0.687
Precision: 0.901
Recall: 0.888

四、实时摄像头检测

训练好的模型可以直接接摄像头:

1
2
3
4
5
6
from ultralytics import YOLO

model = YOLO('runs/detect/train/weights/best.pt')

# 调用摄像头
results = model.predict(source=0, show=True, conf=0.5)

或者对视频文件做推理:

1
2
3
4
5
6
7
8
results = model.predict(
source='test_video.mp4',
save=True, # 保存标注后的视频
conf=0.5, # 置信度阈值
iou=0.5, # NMS IoU 阈值(重叠度高时保留哪个框)
line_width=2,
show_labels=True,
)

关键参数调优

  • conf(置信度阈值):默认 0.25。场景里干扰多就调高(0.5),目标太小就调低(0.1)
  • iou(NMS 阈值):默认 0.7。调低→同一目标不会出现多个框,但可能漏检

实际生产中的调法:先跑 100 张测试图,看漏检/误检的比例,再调这两个参数。


五、部署到边缘设备

YOLOv8 支持导出多种格式,覆盖从服务器到手机的部署场景:

1
2
3
4
5
6
7
model = YOLO('runs/detect/train/weights/best.pt')

model.export(format='onnx') # ONNX:通用格式,可部署到任何推理框架
model.export(format='tflite') # TFLite:Android / 树莓派
model.export(format='ncnn') # NCNN:手机端(骁龙/联发科NPU加速)
model.export(format='tensorrt') # TensorRT:NVIDIA GPU 加速(3-5倍提速)
model.export(format='openvino') # OpenVINO:Intel CPU / 神经计算棒

实际速度对比(口罩检测,640×640 输入):

导出格式 设备 推理速度 部署难度
PyTorch RTX 4060 2ms -
TensorRT RTX 4060 0.8ms 中等
ONNX CPU 15ms 简单
ONNX Jetson Nano 40ms 中等
TFLite 树莓派 4B 120ms 简单
NCNN 骁龙 8 Gen3 8ms 中等

六、常见问题

6.1 小目标检测不好怎么办

YOLO 默认 640×640 输入。如果你要检测口罩、车牌、文字这种小目标:

1
model.train(imgsz=1280, ...)  # 更大的输入尺寸 → 小目标特征更明显

但注意:imgsz×2 → 推理时间 ×4(分辨率平方成正比)。

6.2 类别不平衡

某些类别的样本多(戴了口罩),某些少(没戴口罩):

1
2
3
4
model.train(
cls_pw=1.0, # 类别权重,>1 增加少样本类别的 loss
...
)

或者在数据层面,对少样本类别多做数据增强。

6.3 隐私场景不能把数据上传到云端

YOLO 全本地部署。下载模型后完全离线运行,不需要联网。


七、完整训练代码

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
"""yolo_train.py - YOLOv8 目标检测训练"""
from ultralytics import YOLO

# 1. 加载预训练模型
model = YOLO('yolov8s.pt')

# 2. 训练
results = model.train(
data='datasets/face-mask-detection-1/data.yaml',
epochs=50,
imgsz=640,
batch=16,
patience=10,
lr0=0.01,
augment=True,
cache=True,
)

# 3. 验证
metrics = model.val()
print(f"Precision: {metrics.box.mp:.3f}")
print(f"Recall: {metrics.box.mr:.3f}")
print(f"mAP@50: {metrics.box.map50:.3f}")

# 4. 导出
model.export(format='onnx')

# 5. 测试推理
results = model.predict(
source='test_images/',
save=True,
conf=0.5,
iou=0.5,
)

把这 20 行代码放到有 GPU 的机器上,配置好数据集路径,直接 python yolo_train.py 就能跑。


总结

目标检测跟图像分类的区别总结成一句话:分类说”有什么”,检测说”有什么+在哪”。

  • YOLO 家族是事实上的工业标准——30fps 以上实时推理
  • Ultralytics 把训练/验证/导出/推理集成在一个包,20 行代码落地
  • 导出格式覆盖全平台(GPU/CPU/手机/嵌入式),一套代码到处跑

进阶路线:

  • COCO 官方基准测试跑一遍,看你的模型跟 SOTA 差多少
  • 挑战更难的场景:夜间检测、遮挡检测、密集场景
  • 尝试 YOLOv8-seg(实例分割),框变成蒙版,更精准
  • 学习 ByteTrack,把视频帧中的检测框关联成轨迹