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