老婆

🚀 YOLO 学习计划 - 阶段 1：跑通 YOLO（熟悉流程）
🎯 目标

• 熟悉 YOLO 的安装、推理、训练流程
• 不涉及无人机数据集，先用官方 COCO128 小数据集跑通完整实验
  📦 环境安装

pip install ultralytics

验证是否安装成功：

import ultralytics
from ultralytics import YOLO

🖼️ 推理测试（Inference）
下载 YOLOv8 预训练模型，跑一次推理：

from ultralytics import YOLO

# 加载官方 COCO 预训练模型（nano版，速度快）
model = YOLO("yolov8n.pt")

# 在一张示例图片上推理
results = model("https://ultralytics.com/images/bus.jpg")

# 显示检测结果（带框 + 标签 + 置信度）
results[0].show()

👉 执行后你会看到：图片上出现检测框，框出了汽车、人等目标。
🏋️ 模型训练（Training）
使用 COCO128 数据集（包含 80 类目标，128 张训练图像）。
命令行训练：

yolo detect train data=coco128.yaml model=yolov8n.pt epochs=5 imgsz=640

参数说明：

• data=coco128.yaml → 数据集配置文件（含路径与类别信息）
• model=yolov8n.pt → 使用 YOLOv8 Nano 预训练模型
• epochs=5 → 训练 5 轮（测试用，实际任务通常 50+）
• imgsz=640 → 输入图片大小（640×640）
  📊 训练结果
  训练完成后会生成目录：

runs/detect/train/

里面包含：

• results.png → Loss & mAP 曲线
• weights/best.pt → 精度最高的模型
• weights/last.pt → 最后一轮模型
  🔮 验证与推理（验证训练效果）

from ultralytics import YOLO

# 加载自己训练好的模型
model = YOLO("runs/detect/train/weights/best.pt")

# 推理一张图片
results = model("https://ultralytics.com/images/bus.jpg")

# 可视化结果
results[0].show()

👉 你会发现模型效果和预训练差不多，但训练过程让你理解了 YOLO 的工作机制。
✅ 阶段总结
通过这个实验，你已经掌握了：

1. 如何安装 YOLO
2. 如何加载预训练模型做推理
3. 如何在数据集上进行训练
4. 如何验证训练结果
   📌 下一阶段（阶段 2）：你将动手标注自己的数据集（比如桌面上的水杯/手机），让 YOLO 学会检测你定义的目标。