tmp

cat /proc/cpuinfo | grep "Model" || lscpu

---

YOLOv8 推荐使用标准的 YOLO 格式 数据集。它的核心逻辑是：图片（images）和标签（labels）要分文件夹存放，且同名文件一一对应。

下面是完整的数据集目录结构以及对应的 .yaml 配置文件格式：

1. 数据集目录结构

建议在你的项目根目录下，按照以下结构来组织图片和标签：

my_yolo_dataset/          # 数据集根目录
├── train/                # 训练集
│   ├── images/           # 存放训练集的图片 (jpg, jpeg, png)
│   │   ├── 0001.jpg
│   │   └── 0002.jpg
│   └── labels/           # 存放训练集的标签 (txt)，文件名必须与图片完全一致
│       ├── 0001.txt
│       └── 0002.txt
├── val/                  # 验证集（用于训练过程中评估模型）
│   ├── images/
│   │   ├── 0101.jpg
│   │   └── 0102.jpg
│   └── labels/
│       ├── 0101.txt
│       └── 0102.txt
└── test/                 # 测试集（可选，仅用于最终评估，可不创建）
    ├── images/
    └── labels/

⚠️ 关键规则：
images 和 labels 这两个文件夹的名字千万不能改动。YOLOv8 在加载图片后，会自动把路径中的 images 替换为 labels 来寻找对应的标签文件。如果改了名字，程序会报错找不到标签。

---

2. 标签文件（.txt）的内部格式

对于每张图片，对应的 .txt 文件中，每一行代表一个目标物体。
格式为：类别ID 归一化后的中心点X 归一化后的中心点Y 归一化后的宽度W 归一化后的高度H

例如 0001.txt 的内容可能长这样：

0 0.485 0.352 0.120 0.215
1 0.712 0.540 0.085 0.150

• 类别ID：从 0 开始计数（例如 0 代表猫，1 代表狗）。
• 数值归一化：所有的坐标都必须是相对比例（范围在 0.0 到 1.0 之间），而不是像素值。
• \(X_{center} = \frac{\text{目标中心点像素X}}{\text{图片总宽度}}\)
• \(Y_{center} = \frac{\text{目标中心点像素Y}}{\text{图片总高度}}\)

---

3. .yaml 配置文件格式

在 my_yolo_dataset 文件夹同级（或任意方便的地方），创建一个名为 data.yaml 的文件，内容如下：

# 1. 数据集根目录的绝对路径（或者相对于你运行训练代码处的相对路径）
path: /home/orange/my_yolo_dataset  

# 2. 训练集、验证集和测试集相对于 path 的子路径
train: train/images  
val: val/images    
test: test/images  # 如果没有测试集，这一行可以直接删掉

# 3. 目标分类信息
names:
  0: cat
  1: dog
  2: car

---

4. 如何在代码中调用

准备好上述结构和文件后，你只需要在 Python 中把 data.yaml 的路径传给 train 函数即可：

from ultralytics import YOLO

# 加载模型
model = YOLO("yolov8n.pt")

# 开始训练
model.train(
    data="/path/to/data.yaml",  # 你的 yaml 文件路径
    epochs=100,                 # 训练轮数
    imgsz=640,                  # 输入图片大小
    device="cpu"                # 香橙派上如果没有配置 NPU/GPU，这里填 cpu
)