YOLO v8n 踩的坑

容小狸 Lv3
  2026-04-06 17:14:49 2026-04-06 17:14:49 创建   2026-04-24 00:54:05 2026-04-24 00:54:05 更新      1.2k 字  4 分钟  

准备魔改YOLO v8，实现一个基于YOLO v8的实时交通标识检测系统，这篇文章就是记录一下步骤。
那么问题来了，我甚至都没有做过视觉模型的项目，我该怎么做呢？

那么首先从YOLO v8开始，学习它的架构和实现。

准备工作

WSL 配置

Windows主力机就用的WSL2，可以直接按照
Microsoft的文档 安装WSL2。

使用添加程序和功能，找到Windows Subsystem for Linux，勾选它。

之后，这个：

1
2
3
wsl --update 
wsl --set-default-version 2
wsl --install --distribution debian

后来发觉自带的命令行不太舒服，就安装了Windows Terminal。
这个选装，不影响使用，如果不想看直接跳到初始化Git仓库。

安装Windows Terminal

可以参考Microsoft的文档 安装Windows Terminal。
我直接使用GitHub的版本，下载页看这里：
Windows Terminal GitHub页面

下载那个后缀为msix的文件，双击安装。安装完以后Win+R输入wt，就可以打开Windows Terminal。

初始化Git仓库

初始化Git仓库，将ultralytics的仓库作为子模块复制到本地，正好帮我补充Git子模块的知识，小巧思这块儿。
（这一步是因为我的服务器没有GPU，没法使用opencv，只能使用opencv-headless代替，
之后在其他机器上的部署都是直接使用的pip内的ultralytics库）

1
2
git submodule init
git submodule add https://github.com/ultralytics/ultralytics.git

pip安装ultralytics库之后，会有一个叫yolo的命令，这是ultralytics提供的一个命令行工具，用于训练和推理YOLO模型。

YOLO v8 复现

YOLO 识别复现

YOLO识别前

1
2
3
4
5
from ultralytics import YOLO

model = YOLO('yolov8n-oiv7.pt')
model.info()
model.predict(source='bus.jpg', save=True)

YOLO识别后

秒了。

YOLO 训练复现

1
2
3
4
5
from ultralytics import YOLO
# Start YOLO v8 training with yaml config file.
print("Start training with yaml config file.")
yolo_yaml = YOLO('./yolov8.yaml')
yolo_yaml.train(epochs=5, data='./TT100K.yaml', resume=True)

有结果了，结果出在ultralytics/runs/detect/下，根据名字不同，每个文件夹对应一个训练任务。
就不指望这个训练结果能有什么了，上面这段只是用来验证一下能否训练的。

自定义数据集

感谢@Tianli发布的TT100K-YOLO数据集，原本的TT100K是无法直接用于YOLO训练的。Tianli这个集经过清洗，可以直接用于YOLO的训练。

当然，ultralytics自己也提供了一个数据YAML，也可以直接训练。（位置在ultralytics/cfg/datasets/TT100K.yaml）
我先是用的Tianli的数据集，然后再使用的ultralytics的YAML。

自定义数据集有点反应，但是效果比较差。试试看ultralytics的数据集。

一直被结果折磨。为啥效果还是差呢？

751.jpg

结果

参数如下：

1
2
3
4
5
yolo_coco.train(name='YOLOv8-COCO', epochs=300, data='./TT100K.yaml', 
                save_period=5, patience=70, batch=16, workers=2, 
                close_mosaic=50, hsv_h=0.02, hsv_s=0.72, hsv_v=0.5, cutmix=0.2,
                device=0,
                amp=False)

DeepSeek给出了一份训练参数，如下：

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
35
36
37
38
39
40
41
42
43
44
45
46
# Training Settings
epochs: 300            # TT100K类别多(221类)，需要更长训练；前两次300epoch仍未收敛
batch: 16              # 稳定批次大小，适应显存
imgsz: 640             # 若资源允许，建议1280以提升小目标检测；640为底线
patience: 50           # 验证mAP 50轮不升则早停，节省时间
seed: 0
deterministic: true
amp: true              # 混合精度加速训练
cos_lr: true           # 余弦退火调度，对长训练收敛至关重要
close_mosaic: 15       # 最后15轮关闭mosaic，进行细粒度微调
save_period: -1         # 仅保存最优和最后
fraction: 1
freeze: null            # 从scratch训练不冻结；若用预训练可冻结backbone前10层
single_cls: false
rect: false
multi_scale: 0
resume: false
optimizer: auto        # 自动选择优化器（AdamW或SGD）
lr0: 0.01              # 若从COCO预训练权重微调，0.01合适；若从scratch可略高
lrf: 0.01              # cos_lr下最终lr = lr0 * lrf = 0.0001
momentum: 0.937
weight_decay: 0.0005
warmup_epochs: 5       # 较长热身，帮助分类头平稳启动（比默认3更稳）
warmup_momentum: 0.8
warmup_bias_lr: 0.1
box: 7.5
cls: 0.5               # 分类损失权重；若类别不平衡严重可尝试0.7-1.0
dfl: 1.5
pose: 12
kobj: 1
label_smoothing: 0.1   # 标签平滑，缓解多类别过拟合和不平衡问题

# Image Augmentations
hsv_h: 0.015           # 交通标志颜色相对标准，轻微色调扰动即可
hsv_s: 0.5             # 饱和度扰动不宜过大，避免颜色失真
hsv_v: 0.3             # 明度扰动适中
degrees: 0             # 交通标志无旋转，保持0
translate: 0.1         # 小幅平移增强鲁棒性
scale: 0.5             # 多尺度缩放，帮助应对不同大小标志
shear: 0               # 无需错切
perspective: 0         # 无需透视变换
flipud: 0              # 交通标志不应上下翻转
fliplr: 0.5            # 水平翻转合理（左右对称的标志）
mosaic: 1.0            # mosaic对小目标检测帮助大，但需close_mosaic提前关
mixup: 0.2             # mixup缓解类别不平衡，提升泛化
copy_paste: 0.1        # 小目标复制粘贴增强，缓解样本不均

其中有这么一句话：

epochs: 300 # TT100K类别多(221类)，需要更长训练；前两次300epoch仍未收敛

未收敛？加到700epochs试试。

秒了。附个结果以及两条曲线。

mAP50-95

recall

  • 标题: YOLO v8n 踩的坑
  • 作者: 容小狸
  • 创建于 : 2026-04-06 17:14:49
  • 更新于 : 2026-04-24 00:54:05
  • 链接: https://blog.rongxiaoli.top/2026/04/06/YOLO-v8/
  • 版权声明: 本文章采用 CC BY-NC-SA 4.0 进行许可。
评论
目录
YOLO v8n 踩的坑
  1. 1. 准备工作
    1. 1.1. WSL 配置
    2. 1.2. 安装Windows Terminal
    3. 1.3. 初始化Git仓库
  2. 2. YOLO v8 复现
    1. 2.1. YOLO 识别复现
    2. 2.2. YOLO 训练复现
  3. 3. 自定义数据集