本文引导读者使用Python和YOLO v8构建自定义的AI目标检测模型。文章首先介绍了YOLO的原理和Ultralytics库，然后详细阐述了环境搭建、预训练模型的加载、数据集的准备以及模型的训练和验证过程。通过提供代码示例和实用技巧，帮助读者快速上手，实现对图像和视频中目标的精准识别。最后，强调了训练模型的重要性，以及如何评估模型性能，为读者开启AI视觉探索之旅提供了实用的指导。

🚀 YOLO 是一种基于 CNN 的目标检测算法，由 Ultralytics 公司开发和维护，YOLO v8 是其最新稳定版本。它能够快速、准确地识别图像或视频中的多个目标。

💻 搭建开发环境是使用 YOLO v8 的第一步，需要安装 Python 解释器、PyCharm 集成开发环境，以及 Ultralytics 库。通过 pip 命令即可轻松安装 Ultralytics 库。

🧠 加载预训练模型是快速实现目标检测的关键。YOLO v8 提供了预训练模型，可以直接加载并在此基础上进行微调或训练，节省时间和计算资源。如果下载失败，可以手动下载模型文件或更换 pip 源。

🖼️ 训练模型需要准备训练图片和标注，创建数据集结构文件，并使用 YOLO 目标检测标注工具进行标注。训练完成后，使用 best.pt 文件进行验证，评估模型性能。

✅ 验证自己训练的模型，通过运行代码，观察模型对目标的识别效果。 best.pt 是训练过程中在验证集上表现「最佳」的模型权重文件，通常作为最终使用的模型。

开启 AI 视觉之旅：用 Python 和 YOLO v8 打造专属目标检测模型

在如今科技飞速发展的时代，AI 视觉就像一颗闪耀的星星，照亮了无数领域。而在 AI 视觉的世界里，目标检测无疑是那最为核心的技术之一。想象一下，有这样一种神奇的能力，能够让机器快速而精准地识别出图像或视频中的各种目标，这该多么令人兴奋！今天，我们用 Python 结合 Ultralytics 库中的 YOLO v8，去训练和开发属于我们自己的 AI 视觉目标检测模型，实现动态目标检测的梦想！无论是在现实场景中，还是面对网络上的各种需求，掌握了这一技能，就仿佛拥有了一把万能钥匙，能轻松应对各种识别任务。

一、揭开 YOLO 的神秘面纱

你是否好奇，YOLO 到底是什么呢？YOLO，全称 You Only Look Once，它就像是一位超级侦探，基于 CNN（卷积神经网络）算法，在 AI 视觉模型开发领域占据着重要的地位。目前，YOLO 由 Ultralytics 公司精心开发并维护着，而 YOLO v8 版本更是其官方发布的最新稳定版本，是开源库中强大的算法工具。有了 YOLO，模型就像拥有了一双火眼金睛，能够对输入的图像或视频进行快速分析，一次性预测多个目标的类别和位置，大大提升了检测效率。

官方网站就像是通往这个神奇世界的大门：Ultralytics.com ，快去探索一番吧！

二、搭建属于我们的 “战场”

在开启 YOLO v8 的学习之旅前，我们得先为自己准备一个合适的 “战场”，也就是搭建好运行环境。这就像是在打仗前，要把武器装备都准备齐全一样。

1. 安装 Python 解释器和 PyCharm

首先，我们要下载并安装适合自己操作系统的 Python 版本。这里建议选择较新版本，因为它们就像是升级版的武器，能带来更好的兼容性和性能。接着，我们要安装 PyCharm，它可是一款功能强大的 Python 集成开发环境（IDE），就像是一位贴心的助手，能为我们的代码编写、调试和项目管理提供诸多便利。

2. 安装三方库：Ultralytics

打开 PyCharm 的终端或命令行界面，输入下面这个神奇的命令，就能安装 Ultralytics 库啦：

pip install ultralytics

当安装完成的那一刻，就意味着我们已经做好了初步的准备，可以开始使用 YOLO v8 了，是不是有点小激动呢！

三、站在 “巨人” 的肩膀上 —— 加载预训练模型

预训练模型可是 YOLO v8 快速实现目标检测的关键所在，它就像是一位经验丰富的导师，已经在大量数据上进行了训练，具备了一定的目标识别能力。我们可以直接加载这些模型，然后在此基础上进行微调或训练，这样就能节省大量的时间和计算资源。

在 Python 代码中，通过下面的方式就能导入 YOLO：

from ultralytics import YOLO

不过，有时候会遇到一些小状况。当 Ultralytics 库检测到本地没有yolov8n.pt预训练模型时，它会自动从官方源下载完整的模型文件。但由于网络等原因，自动下载可能会失败。别担心，这时候我们可以手动从YOLOv8 官方发布页下载yolov8n.pt，并将其放置到我们的项目目录下，这样就能顺利使用预训练模型啦！

官网下载地址在这里：docs.ultralytics.com/zh/models/y…

小贴士：如果下载速度较慢，就像是开车遇到了堵车一样，我们可以尝试更换 pip 源，使用国内镜像源，如阿里云、清华大学等镜像源，这样就能显著提升下载速度，让我们的旅程更加顺畅。

初次使用，检测是否正常加载

# 加载预训练模型from ultralytics import YOLO# 加载预训练模型model = YOLO("yolov8n.pt")  # 使用YOLOv8 Nano版本作为起点# 查看版本信息print(model.info())print("加载完成")

当看到 “加载完成” 这几个字的时候，是不是感觉自己离成功又近了一步呢！

图片验证

# 加载预训练模型from ultralytics import YOLO# 加载预训练模型model = YOLO("yolov8n.pt")  # 使用YOLOv8 Nano版本作为起点model('./img/r.png', save=True,show=True)

这里我们选中 './img/r.png' 图片做为检测目标，检测后的图将保存到 runs目录下，还会标记出检测框。save=True 表示保存检测结果，show=True 表示显示检测结果。当看到图片上那些精准的检测框时，那种成就感油然而生。

四、训练图片和标注

接下来，我们要为训练模型准备好 “弹药”，也就是训练图片和标注。

准备数据集结构文件

根目录创建 1 个文件夹（可自定义名称），如：xl，下面再创建 2 个文件夹（images 和 labels），images 和 labels 下再分别创建 2 个文件夹（train 和 val）。

images 下的 train 和 val 放入训练图片（png、jpg）。labels 下的 train 和 val 放入图片标注（txt）。

然后，我们要准备一些照片素材，通过 YOLO 目标检测标注工具进行标注。这里可以使用作者写的标注工具《YOLO 目标检测标注工具》。当我们认真地为每一张图片进行标注时，就像是在为模型传递知识，那种期待模型成长的心情难以言表。

五、开始训练模型

    # 加载预训练模型    from ultralytics import YOLO    # 加载预训练模型    model = YOLO("yolov8n.pt")  # 使用YOLOv8 Nano版本作为起点    # 训练模型    results = model.train(data="data.yaml",  # 使用自定义数据集进行训练              epochs=500,  # 训练500个周期              imgsz=640,  # 调整图像大小              batch=16,  # 减少批次大小              device='cpu',  #  使用CPU进行训练               )  # 训练30个周期，图像大小为640x640    print("训练完成")

    path: D:\PyProjects\yolo\xl # 预训练模型路径    train: images/train # 训练集    val: images/val # 验证集    nc: 1 # 类别数    names: ['car-number'] # 类别名

这里为了截图，只开了 30 个周期，但建议大家在实际操作中，训练更多的周期次数，多找一些图片内容进行标注，这样在检测的时候就能更接近预期效果。当看到训练过程中那些不断变化的数据，就像是在见证一个生命的成长，充满了希望。

训练完成的结果会显示在runs\detect\train\weights下，我们要找到best.pt来测试一下验证结果。在 YOLO（如 YOLOv8）训练过程中， best.pt 和 last.pt 是两种自动生成的模型权重文件，它们有着不同的特点和用途。

1. best.pt（最佳模型）

定义 ：它就像是班级里的学霸，是训练过程中在验证集上表现「最佳」的模型权重文件（通常以验证指标如 mAP（平均精度均值）或损失值为判断标准）。特点 ：保存的是训练过程中验证指标最优时的模型状态（例如某一 epoch 验证损失最低或 mAP 最高时的权重）。用途 ：通常作为最终使用的模型（如推理、部署），因为它代表了训练过程中模型的最佳性能。

2. last.pt（最后模型）

定义 ：它就像是记录成长过程的日记，是训练结束时最后一个 epoch 保存的模型权重文件。

特点 ：保存的是训练终止时的模型状态（可能不是验证指标最优的，但包含完整的训练状态，如优化器参数、当前 epoch 等）。

用途 ：主要用于恢复训练（如训练中断后继续从该状态续训），或用于观察模型最终的收敛情况（可能不如 best.pt 效果好）。

总结：

推理 / 部署时优先使用 best.pt （性能更优）；

恢复训练或调试时使用 last.pt （保留最新训练状态）。

我们当前代码中加载 best.pt 是合理的，符合「使用最佳模型推理」的常规场景。

六、验证自己训练的模型

    # 加载预训练模型    from ultralytics import YOLO    # 加载预训练模型    # model = YOLO(r'D:\PyProjects\yolo\runs\detect\train\weights\best.pt')  # 使用自己训练的模型    model = YOLO("best.pt")  # 使用自己训练的模型    # model('./img/1.png', save=True)    # model('./img/2.png', save=True)    # model('./img/3.png', save=True)    # model('./img/4.png', save=True)    # model('./img/5.png', save=True)    # model('./img/6.png', save=True)    # model('./img/7.png', save=True)    # model('./img/8.png', save=True)    # model('./img/9.png', save=True)    # model('./img/2.mp4', save=True,show=True)

当我们运行这些代码，看到自己训练的模型能够准确地识别出目标时，那种喜悦和成就感是无法用言语来形容的。这就像是我们亲手种下的种子，经过精心的培育，终于开出了美丽的花朵。现在，就赶紧动手，开启属于你自己的 AI 视觉之旅吧！

示例源码：关注公众号“Harry技术”，回复 YOLO 获取源码地址。