YOLOv8 與 COCO 資料集完整教學
本篇文章將帶領你學習如何使用 YOLOv8 與 COCO 資料集進行物體檢測。內容涵蓋 COCO 資料集介紹、YOLOv8 模型的設置、訓練過程以及檢測和評估。
1. COCO 資料集介紹
COCO (Common Objects in Context) 是一個廣泛應用於電腦視覺任務的公開資料集，提供高質量的標註數據，包含 80 種常見物體類別，如 person、car、dog 等。
資料集結構：
• 圖片：超過 33 萬張，涵蓋日常生活場景。
• 標註：邊界框、多邊形分割、關鍵點等。
• 類別：80 類別，包括人類、動物、交通工具、家居用品等。
COCO 資料集可從其官網下載：COCO 官方網站
2. YOLOv8 簡介
YOLOv8 是 YOLO 系列的最新版本，由 Ultralytics 開發，提供以下特性：
• 高效的物體檢測模型，支持多任務（分類、檢測、分割）。
• 輕量且快速，適用於各種應用場景。
• 內建訓練、推理和部署工具。
YOLOv8 支持直接與 COCO 資料集整合，便於進行自定義訓練和評估。
3. 安裝 YOLOv8
首先，安裝必要的 Python 套件：
pip install ultralytics opencv-python matplotlib驗證 YOLOv8 安裝：
from ultralytics import YOLO
model = YOLO('yolov8n.pt') # 測試 YOLOv8 Nano 模型4. 使用預訓練的 YOLOv8 模型進行檢測
YOLOv8 提供了在 COCO 資料集上預訓練的權重（例如 yolov8n.pt, yolov8m.pt）。以下程式碼演示如何使用預訓練模型進行圖片目標檢測：
from ultralytics import YOLO
import cv2
# 加載 YOLOv8 模型
model = YOLO('yolov8n.pt') # Nano 模型
# 圖片檢測
image_path = 'image.jpg' # 替換為您的圖片路徑
results = model(image_path)
# 顯示檢測結果
annotated_image = results[0].plot()
cv2.imshow('YOLOv8 Detection', annotated_image)
cv2.waitKey(0)
cv2.destroyAllWindows()5. 自定義 YOLOv8 模型的訓練
使用 COCO 資料集或自定義數據進行訓練：
準備資料集：
• 資料格式：YOLO 格式（.txt 文件標註，每行表示一個物體的類別與邊界框座標）。
• 資料目錄結構： datasets/ ├── train/ │ ├── images/ │ ├── labels/ ├── val/
訓練程式碼：
from ultralytics import YOLO
# 初始化 YOLO 模型
model = YOLO('yolov8n.pt') # 使用預訓練的 Nano 模型
# 開始訓練
model.train(data='datasets/coco.yaml', epochs=50, batch=16, imgsz=640)
# 訓練完成後，模型會保存至 runs/train/exp/weights/best.ptCOCO.yaml 文件內容範例：
train: datasets/train/images
val: datasets/val/images
nc: 80 # 類別數量
names: [ 'person', 'bicycle', 'car', 'motorcycle', ... ] # 類別名稱6. 模型評估
使用 COCO 資料集或驗證數據進行模型評估：
from ultralytics import YOLO
# 加載訓練完成的模型
model = YOLO('runs/train/exp/weights/best.pt')
# 評估模型
metrics = model.val(data='datasets/coco.yaml')
print(metrics) # 輸出 mAP、精度、召回率等指標7. 使用自定義模型進行檢測
使用訓練完成的模型進行圖片或影片檢測：
from ultralytics import YOLO
import cv2
# 加載自定義模型
model = YOLO('runs/train/exp/weights/best.pt')
# 圖片檢測
image_path = 'image.jpg'
results = model(image_path)
# 顯示結果
annotated_image = results[0].plot()
cv2.imshow('Custom YOLOv8 Detection', annotated_image)
cv2.waitKey(0)
cv2.destroyAllWindows()8. 部署與應用
YOLOv8 支持導出模型為多種格式（如 ONNX、TensorRT），便於部署至嵌入式設備或伺服器：
from ultralytics import YOLO
# 將模型導出為 ONNX 格式
model = YOLO('runs/train/exp/weights/best.pt')
model.export(format='onnx')9. 注意事項
• 確保資料格式符合 YOLO 的要求。
• 訓練過程中，使用 GPU 加速可大幅提升速度。
• 如需使用自定義數據，請正確準備 yaml 配置文件。
10. 結語
本教學涵蓋了 YOLOv8 與 COCO 資料集的應用，從基礎檢測到模型訓練與部署。如果有其他問題或需要進一步指導，請隨時留言交流！
劉老師的跨域創想工坊