一、数据集及源码

1、数据集

https://gitcode.com/open-source-toolkit/94dcc这个是网上的一个电动车数据集，其中有近两千张电动车的图片，有标注文件的只有四百张（格式为voc，后缀为.xml），其余都没有标注，需要使用labelimg手动标注。下面简略说一下如何下载并标注（我手中有六百张标注好的图片，需要的话联系我）：

1、下载labelimg到环境中，直接在pycharm中的终端输入pip install labelimg ,即可自动下载。如果在Anaconda环境下，可以在Anaconda Prompt输入pip install labelimg下载。

pip install labelimg

2.下载完成后输入labelimg命令，会弹出如下的对话框，首先选择图片和保存标签文件的目录，然后选择标签文件的格式。

点击View会弹出一些设置，为了方便使用可以自行开启，第一个是自动保存，第二个是标注单标签（标注电动车这种只有一个标签的数据集时可以开启），第三个是显示标签（多标签时需要选择标签名，可以开启）。

常用快捷键：w：创建一个检测box，就是方框；a：前一张图片；d：下一张图片；Ctrl + s保存结果，先前View中勾选了Auto Save mode后，只需框选，然后下一张，就能自动保存；框选错误时可以选中错误框后，按delete 。

更详细的可以看使用labelimg标注。

注意：数据集格式：

                       

2、YOLOv8源码

可以直接在浏览器搜索YOLOv8源码，也可以点击链接直接跳转至Gitee中直接下载。

二、配置文件准备

1、使用配置文件训练

下图是使用配置文件进行训练的代码，其中注释很明确。

import warnings
from sympy import false  
 
# 忽略警告信息，避免影响训练过程中的输出
warnings.filterwarnings('ignore')
 
# 导入YOLOv8模型类，用于目标检测模型的训练和推理
from ultralytics import YOLO
 
if __name__ == '__main__':
    # 从YAML配置文件创建新的YOLO模型（注意：这里使用的是自定义的yolo11.yaml配置）
    model = YOLO(model=r'ultralytics\cfg\models\11\yolo11.yaml')
    
    # 开始模型训练，配置各项训练参数
    model.train(
        data=r'data.yaml',             # 数据集配置文件路径，定义类别和图像路径
        imgsz=640,                     # 输入图像尺寸，统一调整为640×640像素
        epochs=150,                    # 训练总轮次
        batch=4,                       # 每批次处理的图像数量（受GPU内存限制）
        workers=0,                     # 数据加载工作线程数，0表示在主进程中加载
        device='',                     # 自动选择计算设备（GPU优先）
        optimizer='SGD',               # 使用随机梯度下降作为优化器
        close_mosaic=10,               # 在最后10个轮次关闭Mosaic数据增强
        resume=False,                  # 不恢复训练，始终从头开始
        project='runs/train',          # 训练结果保存的项目目录
        name='exp',                    # 实验名称，结果将保存在runs/train/exp目录下
        single_cls=True,              # 不使用单类别模式
        cache=False,                   # 不缓存图像，节省内存
    )

下图是源码中模型配置文件的截图，训练之前将nc（数据种类）改为自己数据集对应的个数即可训练。

2、使用预训练模型训练

使用预训练模型训练需要先下载预训练的模型文件，点击链接直接跳转到Ultralytics的模型，然后就可以寻找对应的预训练模型。下载后保存到项目中与下面代码同目录中即可。

import warnings
from sympy import false  
 
# 忽略警告信息，避免影响训练过程中的输出
warnings.filterwarnings('ignore')
 
# 导入YOLOv8模型类，用于目标检测模型的训练和推理
from ultralytics import YOLO
 
if __name__ == '__main__':
    # 使用预训练模型进行训练，是需要更改这一处就行
    model = YOLO('yolov8n.pt')
    
    # 开始模型训练，配置各项训练参数
    model.train(
        data=r'data.yaml',             # 数据集配置文件路径，定义类别和图像路径
        imgsz=640,                     # 输入图像尺寸，统一调整为640×640像素
        epochs=150,                    # 训练总轮次
        batch=4,                       # 每批次处理的图像数量（受GPU内存限制）
        workers=0,                     # 数据加载工作线程数，0表示在主进程中加载
        device='',                     # 自动选择计算设备（GPU优先）
        optimizer='SGD',               # 使用随机梯度下降作为优化器
        close_mosaic=10,               # 在最后10个轮次关闭Mosaic数据增强
        resume=False,                  # 不恢复训练，始终从头开始
        project='runs/train',          # 训练结果保存的项目目录
        name='exp',                    # 实验名称，结果将保存在runs/train/exp目录下
        single_cls=True,              # 不使用单类别模式
        cache=False,                   # 不缓存图像，节省内存
    )

3、两者区别

	模型配置文件训练	预训练模型训练
训练方式	从头开始构建和训练模型。模型配置文件（如：yolov8n.yaml）定义了网络结构、层数、滤波器数量等超参数。训练过程不依赖预训练权重，所有参数随机初始化。	预训练模型训练利用在大规模数据集（如COCO）上训练过的权重作为初始参数。只需加载预训练权重（如yolov8n.pt），模型已具备基础特征提取能力。
训练时间	时间长	时间短
数据要求	数据量大	数据量小
性能起点	随机初始化开始	初始性能较高
适用场景	适合研究新架构或特殊任务	适合大多数实际应用

三、训练模型

1、新建.py文件训练

两种方法训练模型的代码已经在配置文件准备中给出，直接复制并准备相关文件进行训练。注意修改路径。

2、使用命令进行训练

这个命令是使用预训练模型进行训练的命令，具体超参数根据情况自行更改。

python train.py --img 320 --batch 2 --epochs 20 --data ImageNet100.yaml --weights yolov8n.pt --cache disk

这个命令是使用模型配置文件进行训练的命令，具体超参数根据情况自行更改。仅改变weights部分。

python train.py --img 320 --batch 2 --epochs 20 --data ImageNet100.yaml --weights yolov8n.yaml --cache disk

四、UI界面

训练好模型得需要一个简单的UI界面来使用它，如下是电动车检测的界面，功能包括：图片、视频和摄像头检测，也可以对多图片进行检测，还有日志、计数等功能。