使用 YOLOv8 进行目标检测
ultralytics YOLO、model.predict()、边界框、置信度过滤和自定义训练。
使用 YOLOv8 进行目标检测 是 CoddyKit 上的免费 Learn AI with Python 课时。 这是第 4 节课，共 4 节。 你可以在下方免费阅读本课时的完整内容 — 然后在浏览器中使用内置代码编辑器和全天候 AI 导师进行实践。 这是 Learn AI with Python 学习路径的一部分，你的进度在网页和 CoddyKit 应用中同步。 Learn AI with Python 课程共包含 4 节课。
分类与检测
图像分类说明图像中有什么。目标检测更进一步：它会找到每个物体的位置，并绘制边界框和标签。YOLO 是最流行的实时检测器。
什么是 YOLO？
YOLO（只看一次）通过一次前向传播检测所有物体，因此速度足以处理视频。Ultralytics 的 YOLOv8 为推理和训练提供了简洁的 Python 接口。
pip install ultralytics加载预训练模型
导入 YOLO 并加载检查点。yolov8n.pt 是微型模型：体积小且速度快。更大的变体（s、m、l、x）会以速度换取准确率。权重会在首次使用时自动下载。
from ultralytics import YOLO
model = YOLO("yolov8n.pt")运行推理
对图像路径、网址或数组调用 model.predict（或者直接调用 model(image)）。它会返回一个结果列表，每个输入图像对应一个结果。
results = model.predict("street.jpg", conf=0.5)conf 阈值
conf 参数设置保留检测结果所需的最低置信度。提高它可以丢弃不确定的框（减少误报）；降低它可以捕获更多物体，但也可能带来更多噪声。
results = model.predict("street.jpg", conf=0.25) # more detections
results = model.predict("street.jpg", conf=0.7) # only confident ones读取框
每个结果都有一个 boxes 对象。boxes.xyxy 会以 [x1, y1, x2, y2] 的形式给出边界框角点，即左上角和右下角的像素坐标。
r = results[0]
print(r.boxes.xyxy) # tensor of [x1, y1, x2, y2] rows类别与置信度
除了框之外，您还会获得 boxes.cls（类别索引）和 boxes.conf（置信度分数）。使用 model.names 可以将索引映射到名称。
for box in r.boxes:
cls_id = int(box.cls)
conf = float(box.conf)
name = model.names[cls_id]
print(name, round(conf, 2))可视化结果
results[0].plot() 会返回一张带注释的图像数组，其中已经绘制了框和标签，可以直接显示或保存。这非常适合快速检查检测结果。
annotated = results[0].plot()
import cv2
cv2.imwrite("output.jpg", annotated)在视频中进行检测
传入视频文件或摄像头索引后，YOLO 会处理每一帧。使用 stream=True 时，它会逐帧生成结果，从而在处理长视频时保持较低的内存占用。
for result in model.predict("clip.mp4", stream=True):
boxes = result.boxes
# process each frame自定义训练
要检测您自己的物体类别，请使用由 YAML 文件描述的带标签数据集进行训练。调用 model.train，并传入数据配置、训练周期数和图像尺寸。YOLO 会对预训练权重进行微调。
model = YOLO("yolov8n.pt")
model.train(
data="my_dataset.yaml",
epochs=50,
imgsz=640
)数据 YAML
数据集 YAML 会列出训练和验证图像文件夹以及类别名称。YOLO 要求每张图像都有一个匹配的标签文件，其中包含每个物体经过归一化的框坐标。
# my_dataset.yaml
# train: images/train
# val: images/val
# names:
# 0: helmet
# 1: vest快速检查
检验您对 YOLOv8 的理解。
回顾：使用 YOLOv8 进行目标检测
您使用 YOLO("yolov8n.pt") 加载了预训练检测器，运行了 model.predict(img, conf=0.5)，并从 results[0].boxes.xyxy、.cls 和 .conf 中读取检测结果。您使用 results[0].plot() 将结果可视化，并通过带有数据 YAML 的 model.train 在自定义类别上进行微调。
常见问题解答
「使用 YOLOv8 进行目标检测」课时是免费的吗？
是的 — 「使用 YOLOv8 进行目标检测」的完整文本可在网页上免费阅读。要进行交互式练习（内置代码编辑器和全天候 AI 导师）并解锁 Learn AI with Python 课程的其余内容，请升级到 CoddyKit PRO。 Learn AI with Python 课程共包含 4 节课。
「使用 YOLOv8 进行目标检测」这节课中我会学到什么？
ultralytics YOLO、model.predict()、边界框、置信度过滤和自定义训练。 你通过在浏览器中直接运行的动手代码来练习 Learn AI with Python，全天候 AI 导师会在你学习这节课的过程中回答你的问题。
学习 Learn AI with Python 需要有经验吗？
无需任何先前经验。CoddyKit 上的 Learn AI with Python 课程适合初学者到高级学习者，你可以从这里开始或从头开始，按照自己的节奏学习。 这是第 4 节课，共 4 节。
「使用 YOLOv8 进行目标检测」课时需要多长时间？
大多数 CoddyKit 课程大约需要 5–10 分钟。每节课都很精短且互动，所以你能稳步进步，并在网页和应用中从离开的地方继续。
我能在这节 Learn AI with Python 课中编写并运行代码吗？
能。每节 Learn AI with Python 课都包含内置代码编辑器，你可以在浏览器中直接编写并运行真实代码，并获得即时 AI 反馈 — 无需本地设置。
此课程中的所有课时
- PyTorch 张量与 Autograd
- 自定义数据集与 DataLoaders
- 在 PyTorch 中构建并训练 CNN
- 使用 YOLOv8 进行目标检测