YOLOv8 自定义目标检测：从数据标注到边缘部署全流程

物联网_咸鱼

212人浏览 · 2026-06-19 21:49:04

物联网_咸鱼 · 2026-06-19 21:49:04 发布

YOLOv8 自定义目标检测：从数据标注到边缘部署全流程

1. 引言

YOLOv8 是 Ultralytics 在 2023 年推出的单阶段目标检测模型，在精度和速度上均超越了前代 YOLOv5/v7。本文将带你完成一个完整的工业级目标检测项目：从数据采集、标注、训练、评估到 TensorRT 边缘部署。

你将学到：

使用 Roboflow 进行数据标注与增强
YOLOv8 检测/分割/分类三种任务的训练
超参数调优与 mAP 分析
导出 ONNX → TensorRT 并在 Jetson 上实时推理

2. 环境搭建

# 创建虚拟环境
conda create -n yolo python=3.10 -y
conda activate yolo

# 安装 Ultralytics
pip install ultralytics==8.2.0

# 验证安装
yolo checks

期望输出：

Ultralytics 8.2.0 🚀
OS                  Windows-10
Python              3.10.14
CUDA                12.1 (RTX 3090)
torch               2.1.0+cu121

3. 数据标注与准备

3.1 使用 Roboflow 标注

注册 Roboflow 账号
创建项目（Object Detection）
上传图片 → 使用 Smart Polygon 标注
导出为 YOLOv8 格式

3.2 数据集目录结构

dataset/
├── train/
│   ├── images/
│   │   ├── img001.jpg
│   │   └── img002.jpg
│   └── labels/
│       ├── img001.txt    # class_id cx cy w h (归一化)
│       └── img002.txt
├── valid/
│   ├── images/
│   └── labels/
├── test/
│   ├── images/
│   └── labels/
└── data.yaml

3.3 data.yaml 配置

# data.yaml
path: /data/custom_dataset
train: train/images
val: valid/images
test: test/images

nc: 3
names: ['scratch', 'dent', 'crack']

标注规范： 标注框应紧贴目标边缘，不留过多空白；遮挡目标仍需标注；困难样本（模糊、小目标）不可忽略。

4. 模型训练

4.1 基础训练

from ultralytics import YOLO

# 加载预训练权重
model = YOLO('yolov8m.pt')  # medium 模型，平衡精度与速度

# 训练
results = model.train(
    data='data.yaml',
    epochs=100,
    imgsz=640,
    batch=16,
    device=0,
    project='runs/detect',
    name='custom_defect',
    patience=20,        # 早停轮数
    save=True,
    save_period=10,
    verbose=True,
)

4.2 超参数调优

参数	推荐值	说明
`lr0`	0.01	初始学习率
`lrf`	0.01	最终学习率 = lr0 × lrf
`momentum`	0.937	SGD 动量
`weight_decay`	0.0005	权重衰减
`warmup_epochs`	3.0	预热轮数
`box`	7.5	边界框损失权重
`cls`	0.5	分类损失权重
`hsv_h`	0.015	色调增强范围
`mosaic`	1.0	Mosaic 增强概率

小目标优化：

results = model.train(
    data='data.yaml',
    imgsz=1280,          # 更大输入分辨率
    batch=8,
    anchors=3,           # 自动锚框
    overlap_mask=True,   # 分割任务时重叠掩码
)

4.3 训练监控

# 查看训练曲线
import pandas as pd
df = pd.read_csv('runs/detect/custom_defect/results.csv')

# 关键指标
# - train/box_loss: 边界框回归损失
# - train/cls_loss: 分类损失
# - metrics/mAP50: IoU=0.5 时的 mAP
# - metrics/mAP50-95: IoU=0.5:0.95 的平均 mAP

5. 模型评估

# 在测试集上评估
model = YOLO('runs/detect/custom_defect/weights/best.pt')
metrics = model.val(data='data.yaml', split='test')

print(f"mAP50: {metrics.box.map50:.4f}")
print(f"mAP50-95: {metrics.box.map:.4f}")
print(f"Precision: {metrics.box.mp:.4f}")
print(f"Recall: {metrics.box.mr:.4f}")

混淆矩阵分析：

from ultralytics.utils.metrics import ConfusionMatrix
# 自动生成 confusion_matrix_normalized.png

6. 推理与部署

6.1 Python 推理

from ultralytics import YOLO
import cv2

model = YOLO('runs/detect/custom_defect/weights/best.pt')

# 单张推理
results = model('test_image.jpg', conf=0.5, iou=0.45)

for r in results:
    boxes = r.boxes
    for box in boxes:
        cls_id = int(box.cls[0])
        conf = float(box.conf[0])
        x1, y1, x2, y2 = box.xyxy[0].tolist()
        print(f"Class: {r.names[cls_id]}, Conf: {conf:.2f}, "
              f"Box: [{x1:.0f}, {y1:.0f}, {x2:.0f}, {y2:.0f}]")

    # 可视化
    annotated = r.plot()
    cv2.imwrite('result.jpg', annotated)

6.2 导出 ONNX

model = YOLO('runs/detect/custom_defect/weights/best.pt')
model.export(format='onnx', imgsz=640, simplify=True, opset=13)

6.3 TensorRT 部署（Jetson）

# 在 Jetson 设备上
yolo export model=best.pt format=engine imgsz=640 device=0 half=True

# TensorRT 推理
model = YOLO('best.engine')
results = model('test.jpg', device=0)

性能对比（RTX 3090）：

格式	推理时间	模型大小	mAP50
PyTorch FP32	8.2ms	52MB	0.892
ONNX FP32	5.1ms	52MB	0.892
TensorRT FP16	2.3ms	28MB	0.891
TensorRT INT8	1.6ms	15MB	0.885

7. 常见问题

问题	原因	解决方案
mAP 低	数据量不足 / 标注不一致	增加数据量 + 数据增强
过拟合	模型过大 / 数据少	用 yolov8n.pt + early stopping
小目标漏检	分辨率低	增大 imgsz 到 1280
类别不平衡	某类样本过少	使用 `class_weights` 或过采样