YOLO 命令

模型导出格式

开发调试阶段：

如果需要调试模型、继续训练或者进行实验验证，.pt 和 .torchscript 是最常见选择。

跨平台部署：

在需要同时支持多个后端或多个硬件环境时，优先选用 ONNX，因为它是目前最通用的中间格式。

高性能 GPU 推理：

对于 NVIDIA GPU 场景，直接导出 TensorRT（.engine） 可显著提升推理速度。

CPU 优化或嵌入式设备：

可以选择 OpenVINO（Intel）、TFLite（移动端） 或适配像 NCNN、MNN 这样的轻量框架。

Web / 浏览器部署：

选择 TensorFlow.js 格式，可以直接在浏览器端运行。

苹果设备部署：

如果目标是 iOS 或 macOS 原生应用，导出为 CoreML（.mlpackage） 是最佳选择。

导出时可以结合一些参数进一步优化模型性能：

• 动态输入（dynamic）

允许模型在不同尺寸下推理，适用于视频流、多分辨率输入等。

• 量化（half / int8）

可减小体积，在边缘设备或移动端上显著提升速度和效率。

• 简化模型结构（simplify）

减少冗余计算，提高部署性能。

---

训练流程

步骤 1：准备图片

1# 创建数据集目录结构
2datasets/
3  my_custom_dataset/
4    images/
5      train/
6        img1.jpg
7        img2.jpg
8        ...
9      val/
10        img1.jpg
11        ...
12    labels/
13      train/
14        img1.txt
15        img2.txt
16        ...
17      val/
18        img1.txt
19        ...

步骤 2：使用 Label Studio / Labelme 标注

1uv tool install labelme
2labelme

步骤 3：创建数据集配置文件

创建 my_custom_dataset.yaml：

1# 数据集路径
2path: ./datasets/my_custom_dataset
3
4# 训练和验证集路径（相对于 path）
5train: images/train
6val: images/val
7
8# 类别数量
9nc: 3
10
11# 类别名称（根据你的实际类别修改）
12names:
13  0: cat          # 你的类别1
14  1: dog          # 你的类别2
15  2: bird         # 你的类别3

步骤 4：开始训练

1from ultralytics import YOLO
2
3# 加载预训练模型（推荐，迁移学习效果更好）
4model = YOLO("yolov8n.pt")
5
6# 使用你的自定义数据集训练
7results = model.train(
8    data="my_custom_dataset.yaml",  # 你的数据集配置
9    epochs=100,
10    imgsz=640,
11    batch=16
12)

完整示例：识别自定义物体

假设要识别“苹果”、“香蕉”、“橙子”：

1. 收集图片：每种水果至少 100 张
2. 标注：用 Labelme 标注每张图片
3. 创建配置文件 fruits.yaml：

1path: ./datasets/fruits
2train: images/train
3val: images/val
4nc: 3
5names:
6  0: apple
7  1: banana
8  2: orange

4. 训练：

1model = YOLO("yolov8n.pt")
2model.train(data="fruits.yaml", epochs=100)

注意事项

• 数据量：每个类别至少 100 张，越多越好
• 数据质量：标注要准确，边界框要贴合目标
• 数据平衡：各类别数量尽量均衡
• 数据划分：训练集 70%，验证集 20%，测试集 10%
• 迁移学习：使用预训练模型（如 yolov8n.pt）效果更好

---

Labelme 导出成 yolo 格式

1uv tool install labelme2yolo
2labelme2yolo --json_dir /path/to/labelme_json_files

• 读取你所有的 labelme JSON
• 生成对应的 YOLO 标注 TXT
• 可输出训练集/验证集划分结构
• 并生成一个 dataset.yaml 等训练配置文件