企业官网建设流程全解析

先把丑话说在前面：YOLOv8这套流程，真正花时间的从来不是环境配置，而是数据准备和排查那些莫名其妙的报错。我自己第一次跑通，环境大概用了半小时，数据集前前后后折腾了两天。这篇就是把这条路重新走一遍，你会踩到的坑我尽量先替你踩一遍，你照着做就行。文章适合完全没配过深度学习环境的新手，也适合已经跑过YOLOv5、想快速切到YOLOv8的老手，内容覆盖从conda创建虚拟环境、安装PyTorch和ultralytics、准备并标注自己的数据集、写data.yaml、执行训练、看日志和结果，到导出模型的完整链路。我会把每个环节"为什么这么做"也讲清楚，毕竟环境配置这类事，只知道命令不知道怎么改，换个电脑照样抓瞎。

1. 动手前先盘清楚：环境依赖与版本匹配逻辑

1.1 conda、CUDA、PyTorch到底是什么关系

先别急着敲命令。很多人环境装到一半就崩，根本原因不是操作问题，而是没搞明白这几样东西是干什么的、谁依赖谁。

你的电脑里有一个硬件叫GPU，GPU干活需要一个"翻译官"叫显卡驱动，NVIDIA的显卡驱动装好之后，系统才能认到这张卡。但深度学习框架PyTorch不能直接和驱动对话，中间还隔着一个CUDA工具包。CUDA可以理解成GPU的"指令手册"，PyTorch照着CUDA给的接口去调用GPU算力。cuDNN则是CUDA之上的深度神经网络加速库，跑卷积的时候尤其重要，纯CUDA能做但速度慢，cuDNN就是专门为神经网络优化的那部分。

所以这条链是：驱动→CUDA→cuDNN→PyTorch→ultralytics(YOLOv8封装库)。每一层都要兼容，但注意，不是CUDA版本越高越好，真正卡脖子的是PyTorch官方编译时支持哪个CUDA版本。比如PyTorch 2.x的官方安装命令会明确写cu118、cu121这种后缀，意思是这个版本的PyTorch是基于CUDA 11.8或12.1编译的。

你自己的显卡驱动只需满足一个条件：驱动版本不低于目标CUDA版本要求的最低驱动。NVIDIA驱动是向后兼容的，老驱动能跑新版CUDA的情况很少见，但新版驱动一定能跑老版本CUDA。所以最简单的策略是先把显卡驱动升到最新，CUDA工具包反而不一定非装不可——你用pip装PyTorch的时候，它会自动把配套的CUDA运行库一并拉下来，不需要系统里单独装一套CUDA。

1.2 用conda隔离环境，避免把本机Python搞乱

这一步是我最想让你认真对待的。很多人的Python环境最后变成一团乱麻，就是因为所有的包都直接怼进系统Python，今天装一个TensorFlow，明天装一个PyTorch，后年想跑YOLOv8发现版本冲突，又不敢乱删。

conda就是用来解决这个问题的。你可以把conda创建的虚拟环境理解成一个个独立的小房间，每个房间里有一套完整的Python解释器和各自的第三方库，互相看不见、互不干扰。YOLOv8要装PyTorch，PyTorch要求某个版本的numpy，而另一个项目要用老版本numpy，如果都在系统Python里，就会打架；分到两个虚拟环境里，各自安好。

建议安装Miniconda而不是完整版Anaconda，Miniconda体积小，按需安装包，更干净。装的时候注意勾选"Add to PATH"选项，或者装完手动把conda的Scripts目录加到环境变量里，不然命令行找不到conda命令。Windows上如果之前装过Python，可能还会遇到conda和系统Python抢占命令行的情况，解决办法就是在conda里激活环境后，确认当前用的是虚拟环境里的Python，而不是系统那个。

1.3 本机硬件到底够不够跑YOLOv8

这个话题最好放前面说。YOLOv8的目标检测训练，GPU最好要有，但也不是没GPU就不能跑。CPU训练完全可行，只是速度会让你怀疑人生。我自己在一颗8核CPU上跑过几十张图片的小数据集，一个epoch也就几十秒，但如果是几百上千张图的正常数据集，一个epoch可能要几分钟甚至更久，一个完整训练跑下来半天就没了。

像GTX 1660 Ti这种6GB显存的入门卡，跑YOLOv8n或者YOLOv8s完全够用，batch size调到16左右都不会爆显存。显存小就选小模型、调低batch size、调小输入尺寸。显存不够不是死路，后面我会专门讲OOM（Out of Memory）的调整策略。

建议训练前先用nvidia-smi看一眼驱动和显存。如果显示NVIDIA-SMI has failed because it couldn't communicate with the NVIDIA driver，说明驱动没装好，先解决驱动问题再继续。

2. 完整安装流程：从建环境到跑起第一行YOLO命令

2.1 创建conda虚拟环境并安装PyTorch

打开终端（Windows建议用Anaconda Prompt，macOS/Linux直接用终端），依次执行：

conda create -n yolov8 python=3.9 -y conda activate yolov8

Python版本选3.9是我个人比较稳的选择。YOLOv8官方要求Python >= 3.8，但3.10以上某些依赖容易出小毛病，3.9兼容性最好，PyTorch和各种依赖都能找到对应的编译包。

激活环境之后，安装PyTorch。在这之前先确认自己的显卡支持哪个CUDA版本，再看PyTorch官方提供的安装命令。到PyTorch官网的Get Started页面，选择你的操作系统、包管理器选pip、CUDA版本，它会直接生成安装命令。我以CUDA 11.8为例：

pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118

电脑没有NVIDIA显卡或者准备用CPU跑，就装CPU版：

pip install torch torchvision torchaudio

注意CPU版和GPU版的PyTorch体积都不小，下载时间取决于网络。如果下载速度极慢，可以用国内镜像源，比如清华源或阿里云源，但PyTorch官方源里的cu118版本在镜像源里不一定同步，遇到问题就老老实实等官方源下载完，别反复中断，容易把包下坏。

装完验证是不是GPU版，在Python里执行：

import torch print(torch.__version__) print(torch.cuda.is_available())

torch.cuda.is_available()输出True才算真的能用GPU，输出False说明装的还是CPU版，或者驱动和CUDA版本不匹配，回头检查驱动。

2.2 安装ultralytics包并验证环境

PyTorch装好之后，YOLOv8本体就简单了：

pip install ultralytics

这个包会一次性把YOLOv8训练、验证、导出需要的wheel依赖拉齐，包括opencv-python、matplotlib、pandas、pyyaml这些。

装完先跑一次推理验证全链路，把YOLOv8官方提供的最轻量权重yolov8n.pt下下来，随便拿一张图片测一下：

yolo predict model=yolov8n.pt source='https://ultralytics.com/images/bus.jpg'

第一次跑这个命令，它会自动下载权重和测试图片，之后就在后台生成了检测结果。如果这一步能跑通，说明环境配置已经完成，可以进入数据集阶段了。

这里有个常见坑：yolo命令在终端里找不到。这通常是conda环境的Scripts目录没进PATH。Windows下检查一下conda环境里的python.exe和yolo.exe路径，手动把C:\Users\你的用户名\miniconda3\envs\yolov8\Scripts加进环境变量，或者干脆每次都用python -m ultralytics来调用命令，效果一样。

2.3 训练脚本能跑的最小验证

环境装好、推理通了，但还没完。我最推荐再做一步"最小化训练验证"，直接用官方自带的coco8.yaml这个迷你数据集跑一个epoch：

yolo detect train data=coco8.yaml model=yolov8n.pt epochs=1 imgsz=640

这一步的意义不是训练模型，而是验证你机器上所有跟训练相关的组件（数据加载、损失计算、日志记录、权重保存）都是通的。如果这个都能跑通，说明环境没有问题，后面数据集出问题就集中排查数据集。

3. 准备自己的数据集：标注、整理、划分一步都不能错

3.1 数据采集和文件命名规范

环境只是工具，数据集才是你项目的灵魂。很多初学者上来就蒐集一百张图开始标，训练完效果很差，然后怀疑模型有问题。其实90%的情况是数据有问题。

采集图片的时候注意三点：

• 数量：每个类别起步建议200张以上，如果类别多、背景复杂，500张起。当然不是绝对，但你要明白，YOLOv8的预训练权重是在COCO数据集上训的，它见过的场景非常多，你要检测的目标如果和COCO里的常见物体类似（车、人、猫狗），训练数据可以少一些，因为迁移学习帮你打了个好底子。如果目标很特殊，比如工厂里的瑕疵、农田里的病虫害，那就必须多采集，让模型学会你的数据分布。
• 多样性：同一个目标，要在不同光线、不同角度、不同距离、不同遮挡程度下各拍一些。模型学的是特征的分布，而不是记忆某几张图。宁可500张各种角度都有，都不要2000张千篇一律的正脸特写。
• 清晰度：分辨率太低的图，经过resize到640×640之后信息损失很大。如果原始图只有320×240，训练时再缩放到640，其实就是把模糊的像素做插值，特征不会变清晰。

图片的命名和路径一定要全英文，不要带空格，更不要带中文。Ultralytics的源码里依赖yaml读取路径，Windows上的中文路径有时候会触发编码问题，报错内容还不直观，排查起来特别浪费时间。我自己就吃过这个亏：数据集放在D:\数据集\图片下，训练到一半报FileNotFoundError，改成D:\datasets\images之后马上就好了。

3.2 标注工具选型与YOLO格式说明

准备数据集的第二步是标注。这里要先说清楚YOLOv8用的是哪种标注格式，因为这直接决定你选什么工具、导出什么格式。

YOLO格式的标注文件是txt，每一行对应图片里的一个目标，格式是：

class_id x_center y_center width height

注意这五个数字的含义：

• class_id是从0开始的类别编号，比如你有"猫"和"狗"两个类别，那"猫"是0，"狗"是1。
• x_centery_center是目标框中心点的坐标，widthheight是目标框的宽和高。
• 这四个数值都是归一化的，即除以图片的宽度和高度，范围是0到1。

举个例子，一张1280×720的图片里有一只猫，猫框左上角在(320, 180)，右下角在(960, 540)。那么中心点是(640, 360)，宽是640，高是360，归一化后就是：

0 0.5 0.5 0.5 0.5

所以同一个图片文件名对应两个文件：图片是cat_001.jpg，标注是cat_001.txt。两者必须在同名目录下，只是后缀不同。

标注工具有几个选择：

• LabelImg：老牌工具，支持PascalVOC和YOLO格式导出，界面简单，Windows上需要配置PyQt5环境，国内教程多。
• X-AnyLabeling：较新的工具，支持自动标注，可以加载YOLOv8模型辅助标注，效率高。
• Label Studio：功能强大，支持团队协作，适合大型项目。
• Roboflow：在线标注平台，内置很多标注增强工具，免费版有图片数量限制。

我个人推荐新手用X-AnyLabeling，因为它的YOLO格式导出流程最顺，界面也更现代化，自带模型推理自动标注，虽然自动标注的框要人工检查修正，但能省一半时间。LabelImg虽然经典，但它的文件存储格式有时会让你多一步转换。

不管用哪个工具，标注完成后一定抽查几份txt，对照图片看看坐标有没有明显越界、类别ID有没有写错。这一项体检只需要五分钟，但能省下训练完才发现模型学了一堆错误标注的几小时。

3.3 数据集目录结构和data.yaml怎么写

标注完，把图片和标注文件整理成Ultralytics标准目录结构。虽然支持各种自定义结构，但最省事的是这样：

datasets/ └── my_dataset/ ├── images/ │ ├── train/ │ │ ├── cat_001.jpg │ │ ├── cat_002.jpg │ │ └── ... │ └── val/ │ ├── cat_101.jpg │ └── ... └── labels/ ├── train/ │ ├── cat_001.txt │ └── ... └── val/ ├── cat_101.txt └── ...

注意images和labels目录名不能改，这是Ultralytics默认约定。train和val子目录里，图片和对应的txt文件要严格一一对应。

然后在datasets/my_dataset/下创建一个data.yaml文件，内容如下：

train: D:/datasets/my_dataset/images/train val: D:/datasets/my_dataset/images/val nc: 2 names: ['cat', 'dog']

train和val字段指向图片目录，而不是标注目录，Ultralytics会根据图片目录自动找对应的labels目录。nc是类别总数，names是类别名称列表，顺序必须和标注文件里的class_id一致。很多人在这一步把names顺序写反，训练的时候Loss降得很漂亮，但推理出来类别全是乱的，排查到吐血。

路径这里，Windows上强烈建议用正斜杠/，不要用反斜杠\。YAML解析的时候反斜杠是转义符，容易出问题，这是新手最容易踩的坑。

3.4 数据集划分：用脚本而不是手动拖文件

数据集划分看起来简单，但手动一个一个拖文件不仅累，还容易出现图片和标注文件不同步的情况。我建议写个小脚本一次性搞定：

import os import random import shutil random.seed(42) data_dir = "D:/datasets/raw" images = [f for f in os.listdir(data_dir) if f.endswith((".jpg", ".jpeg", ".png"))] print(f"共找到 {len(images)} 张图片") random.shuffle(images) val_count = int(len(images) * 0.2) val_images = images[:val_count] train_images = images[val_count:] os.makedirs("D:/datasets/my_dataset/images/train", exist_ok=True) os.makedirs("D:/datasets/my_dataset/images/val", exist_ok=True) os.makedirs("D:/datasets/my_dataset/labels/train", exist_ok=True) os.makedirs("D:/datasets/my_dataset/labels/val", exist_ok=True) def move_files(file_list, split_name): for img in file_list: basename = os.path.splitext(img)[0] txt_name = basename + ".txt" if not os.path.exists(os.path.join(data_dir, txt_name)): print(f"警告: {img} 缺少对应的标注文件 {txt_name}") continue shutil.move(os.path.join(data_dir, img), f"D:/datasets/my_dataset/images/{split_name}/{img}") shutil.move(os.path.join(data_dir, txt_name), f"D:/datasets/my_dataset/labels/{split_name}/{txt_name}") move_files(train_images, "train") move_files(val_images, "val") print("划分完成!")

这个脚本的random.seed(42)很重要，固定随机种子之后，每次运行得到的划分结果都一样，方便复现。val比例取20%是经验值，数据集大可以适当降低到10%，数据集小可以提高到30%，但20%是比较平衡的起始点。

脚本里对缺失标注文件的检查是我后来加的。有一次我漏标了几张图，训练时Ultralytics报Image ... has no labels的警告，虽然不会崩，但会造成训练集图片和标签对不上，影响训练效果。

4. 训练配置的核心参数逐项解读

4.1 模型选型：n/s/m/l/x怎么选

YOLOv8按网络深度和宽度分为5个规格：yolov8n、yolov8s、yolov8m、yolov8l、yolov8x，从n到x模型越来越大、精度越高、速度越慢。很多人一上来就直接选最大的，理由是精度最高，但接着就发现显存不够、训练速度巨慢，最后放弃。

我的经验是：如果项目没有明确的速度要求，先用n跑通流程，再用s或者m做正式训练。n虽然精度最低，但训练速度快、显存占用小，非常适合验证你的数据集和代码有没有问题。等跑通之后，再用更深的模型提高上限。

官方模型权重文件名后有预训练标记，比如yolov8n.pt是已经在COCO数据集上预训练过的权重，yolov8n.yaml是纯网络结构定义。用yolov8n.pt来训练是迁移学习，模型初始化时继承了COCO上学习到的通用特征，收敛快、效果好。除非你的数据分布和自然图像差异极大，否则推荐用预训练权重做起点。

4.2 训练命令和关键参数说明

训练命令的标准格式：

yolo detect train data=data.yaml model=yolov8n.pt epochs=100 imgsz=640 batch=16 device=0

逐项解读：

• data=data.yaml：刚写好的数据集配置文件。
• model=yolov8n.pt：起始权重。
• epochs=100：训练轮数。新手可以先训50轮看Loss趋势，有下降空间再加大。100轮是起步，效果不够就200轮。
• imgsz=640：训练时输入图片的尺寸。YOLOv8默认640，如果你的目标较小，可以试试800或960，但显存占用会指数级上升。小目标检测的明显改善经常来自imgsz的提升，这点比换更大模型更有效。
• batch=16：每批图片数量。这是最影响显存占用的参数。显存6GB用16，8GB用32，我没法给死数值，最好用nvidia-smi边跑边看显存占用。
• device=0：指定GPU编号。多卡机器可以写成device=0,1，CPU训练写device=cpu。

这些参数不是设一次就完事的，需要根据训练过程动态调整。我的习惯是先跑20轮，观察Loss下降曲线和显存占用，再决定是加大batch还是加大imgsz。

4.3 不常被提到但很影响结果的高级参数

除了上面那些基础参数，还有几个官方默认值之外值得关注的点：

• patience：早停轮数，默认50。就是验证集指标连续50轮不提升就停止训练。数据集小的时候建议改成20或30，不然白白浪费时间。
• cache：设为True可以把图片提前缓存在内存里，省去每轮都从磁盘读图的时间。数据集几百张图时见效明显，但会占用内存。
• workers：数据加载线程数，默认8。Windows上如果报DataLoader worker相关的错，把它降成2或者0。
• optimizer：默认是auto，自动选SGD或AdamW。新手不用改，但要知道这个参数存在。
• lr0：初始学习率，默认0.01。如果你的数据集很小，Loss发散的几率高，可以试着调低到0.001，代价是收敛速度变慢。
• cos_lr：学习率是否按余弦曲线衰减，默认False。对最后的收敛精度有帮助，但会延长训练时间。
• augment相关参数：YOLOv8默认开启了很多数据增强，比如随机翻转、色调抖动、缩放平移。数据量少的时候增强能帮你减少过拟合，但增强太强也可能让模型学不到稳定的特征。官方默认参数是经过大量实验调优的，新手不要轻易改。

我见过太多人拿到参数就狂调，实际上YOLOv8的默认参数已经在一个很大的超参数空间里往死里优化过了。你改了不一定更好，反而可能因为某个参数不匹配导致训练崩溃。默认参数跑通，再针对性调整一到两个参数，这是最稳的路径。

4.4 训练时如何监控资源

训练启动之后，至少前几分钟要多盯一眼资源情况。在另一个终端窗口运行：

nvidia-smi -l 1

-l 1是每秒刷新一次。主要看三列：显存占用（Memory Usage）、GPU利用率（GPU-Util）和温度。

如果显存占用接近上限，大概率会在某个batch直接OOM。这时候不用慌，按优先级调整：先降batch，比如从32降到16再降到8；batch降完还不行就降imgsz，从640降到512；再不行就换成更小的模型，从s换到n。如果GPU利用率一直很低，比如低于50%，说明数据加载成了瓶颈，可能是workers太少，也可能是数据集放在机械硬盘上读图太慢，把图片放到SSD上会有明显改观。

5. 训练日志、损失曲线与评估指标怎么看

5.1 训练日志字段解读

训练启动后，终端会不断刷新类似这样的输出：

Epoch GPU_mem box_loss cls_loss dfl_loss Instances Size 1/100 2.31G 1.158 1.595 1.172 5 640

box_loss是边界框回归损失，衡量预测框和真实框的差距；cls_loss是分类损失，衡量类别预测的对错；dfl_loss是分布焦点损失，是YOLOv8新增的损失项，用于让框的回归更精确。这三个值总体趋势应该随着训练下降（会有波动），但如果出现某一项先降后升、而且Validation那边的对应指标明显恶化，就要警惕过拟合了。

这里最直观的指标其实是后面Validation的表格，包含Precision（精确率）、Recall（召回率）、mAP50、mAP50-95。

5.2 用results.csv画损失函数曲线图

训练结束后，Ultralytics会把所有指标记录在runs/detect/train/exp/results.csv里（也可能是train2、train3，每次训练递增）。这个CSV是最有价值的文件，因为它记录了每一个epoch的完整训练数据。画损失曲线就用它：

import pandas as pd import matplotlib.pyplot as plt df = pd.read_csv("runs/detect/train/exp/results.csv") df.columns = [col.strip() for col in df.columns] plt.figure(figsize=(12, 8)) plt.subplot(2, 2, 1) plt.plot(df["epoch"], df["train/box_loss"], label="train box loss") plt.plot(df["epoch"], df["val/box_loss"], label="val box loss") plt.legend() plt.title("Box Loss") plt.subplot(2, 2, 2) plt.plot(df["epoch"], df["train/cls_loss"], label="train cls loss") plt.plot(df["epoch"], df["val/cls_loss"], label="val cls loss") plt.legend() plt.title("Cls Loss") plt.subplot(2, 2, 3) plt.plot(df["epoch"], df["metrics/mAP50"], label="mAP50") plt.plot(df["epoch"], df["metrics/mAP50-95"], label="mAP50-95") plt.legend() plt.title("mAP") plt.subplot(2, 2, 4) plt.plot(df["epoch"], df["metrics/precision"], label="precision") plt.plot(df["epoch"], df["metrics/recall"], label="recall") plt.legend() plt.title("Precision & Recall") plt.tight_layout() plt.savefig("training_curves.png", dpi=300)

这个代码会生成一张四宫格图：Loss曲线、mAP曲线、精确率召回率曲线。保存下来的PNG直接放进论文或者项目报告里完全够用。每次训练完都跑一遍这个脚本，比对不同实验的曲线，比记一堆数字直观多了。

5.3 一套判断训练状态的方法

画完曲线，怎么判断模型好不好？我有一套自己的判断逻辑：

首先看mAP50-95，它是综合指标，比mAP50更严格。mAP50指的是IoU阈值0.5时的平均精度，mAP50-95是0.5到0.95每隔0.05取一个阈值，共10个阈值下的平均。同样一张图，mAP50容易虚高，mAP50-95才是模型真实力的体现。如果你的目标是做工程落地，mAP50-95至少要0.5以上才算能用的模型。

其次看train loss和val loss的差距。训练结束时如果train loss很低、val loss还很高，说明过拟合。解决办法不是盲目加数据，而是先加早停（如果还没触发）、换轻量模型、增强数据增强、加dropout。反过来如果两个loss都停留在高位不降，说明模型欠拟合，考虑加大模型、增加训练轮数、调低学习率。

最后看precision和recall的平衡。精确率表示"模型说它是猫的结果里真的有多少是猫"，召回率表示"所有猫里模型找回来了多少"。如果你的业务更关心漏检（比如质检，瑕疵不能漏），就偏向recall；更关心误检（比如安防，不想总报警），就偏向precision。在训练阶段调整conf_thres推理阈值可以在这个平衡上做微调，阈值设高一点，精确率上升、召回率下降；阈值设低一点，召回率上升、精确率下降。

6. 踩坑实录：训练中最常见的报错与排查链路

6.1 OOM显存不足：每个人的第一课

OOM几乎是每个人都逃不掉的坎。报错长得像这样：

torch.cuda.OutOfMemoryError: CUDA out of memory. Tried to allocate 2.00 GiB (GPU 0; 6.00 GiB total capacity; 5.12 GiB already allocated; ...)

这时候千万别第一反应去换显卡。正确的排查顺序是：

1. 降batch，比如从16降到8，再降到4。这是最直接有效的方法。
2. 降imgsz，从640降到512，显存占用会按面积比例下降，大概降到原来的64%。
3. 换更小的模型，yolov8s换yolov8n，参数量差将近3倍。
4. 检查是不是有别的进程占用显存。nvidia-smi看一下，经常有人在后台跑着其他程序忘了关，GPU显存被占了一半。如果确实有僵尸进程，可以用taskkill /PID 进程号 /F（Windows）或kill -9 进程号（Linux）结束掉。

还有一个可能被我忽略的坑：多进程DataLoader会向GPU拷贝数据，如果workers太多也可能触发显存溢出，虽然概率不高，但排查到最后依然OOM的话，把workers从8降到2试试。

6.2 Windows下DataLoader worker报错

Windows用户大概率会遇到这样一个错：

An attempt has been made to start a new process before the current process has finished its bootstrapping phase.

这个报错原因是Windows下多进程数据加载的启动方式和Linux不同，非常"经典"。网上有人说把workers=0，确实简单粗暴能解决，但每个epoch的数据加载会变慢很多。

更好的解决方案是在你的训练脚本入口处加一行：

if __name__ == "__main__": main()

不过yolo命令是Ultralytics封装好的，你没法直接加。所以实际做法是：在项目里写一个Python脚本，内容如下：

from ultralytics import YOLO def main(): model = YOLO("yolov8n.pt") model.train(data="data.yaml", epochs=100, imgsz=640, batch=16, device=0) if __name__ == "__main__": main()

用python train.py运行，这种写法在Windows上才能真正稳定使用多worker加载。如果你直接在命令行执行yolo detect train ...遇到workers报错，要么降workers，要么就改用脚本方式。

6.3 训练中断之后怎么办

训练过程不是总会一帆风顺。笔记本合盖休眠、断电、手动Ctrl+C中断都有可能。这时候如果从头再训，前面几十个epoch就白跑了。

Ultralytics的resume机制很简单：

yolo detect train resume model=runs/detect/train/exp/weights/last.pt

它会读取last.pt里的epoch信息和optimizer状态，从断点继续训练。要注意一点：如果用的是命令行方式，把原来的命令参数复制过来，然后后面加resume=True，否则可能因为参数不一致导致问题。

我的习惯是：训练超过50个epoch之后，每隔一段时间就备份一次last.pt，尤其是数据集很大的时候。有一次我在第120个epoch中断了，靠resume从断点接着跑完，省了将近两个小时，这个习惯很值得养成。

6.4 训练结果很好但推理很差，先怀疑这三件事

训练时mAP很高，但拿自己的测试图去预测，效果却惨不忍睹。这是最伤士气的情况，但几乎每一个项目都会遇到。我的排查顺序是：

第一，检查标注的类别ID是否和names顺序一致。这是最容易出问题的，尤其类别多的时候。标注文件里class_id是0，但data.yaml里names第一个不是你要检测的那个类，模型学到的语义就完全乱了。

第二，检查推理图片和训练图片的分布差异。训练数据是白天的场景，推理的时候拿夜间的图，效果差是必然的。这种情况下不是模型有问题，是你的数据集分布覆盖不到位，补充同分布的数据才是正解。

第三，检查预处理差异。YOLOv8推理的时候会自动对输入图片做letterbox和归一化，正常情况下不需要你手动预处理。但如果你自己写了数据预处理管线，比如先resize再推理，或者做了灰度转换，模型看到的数据分布就和训练时不一样，结果当然会崩。最简单的验证方法：直接用Ultralytics的预测代码，不做任何预处理再试试。

6.5 中文路径和特殊字符路径的坑

这个坑我用亲身经历证明它值得单独说一次。数据集放在中文路径下，比如D:\项目\数据集\，训练时可能报各种奇怪的错，比如找不到文件、读取图片失败、或者yaml解析错误。YAML规范和Windows文件系统对非ASCII字符的支持都不太完整，两个问题叠加起来，报错信息还往往不是直接指向路径问题，排查成本极高。

方案就一个字：改。把数据集根目录改成纯英文路径，图片文件名也改成纯英文，任何项目都适用这条规则。这个建议朴素，但能帮你躲开一堆不可名状的报错。

7. 训练收官：模型评估、导出与部署前的最后一步

7.1 用验证集跑一次完整评估

训练完成后，Ultralytics会在runs/detect/train/exp/下生成两个权重文件：best.pt和last.pt。best.pt是根据验证集指标选出的最优权重，last.pt是最后一个epoch结束时的权重。常规操作是用best.pt。

跑评估命令：

yolo detect val model=runs/detect/train/exp/weights/best.pt data=data.yaml

它会输出完整的指标报告，包括每个类别的precision、recall、mAP。这里我想提醒你：单看mAP不够，要看类别维度的表现。比如两个类别，一个mAP95%，一个mAP40%，平均下来可能还不错，但实际应用中低分的那类模型根本不能用。遇到这种情况，优先补充该类别的训练数据，而不是急着调模型参数。

7.2 模型导出：ONNX还是TensorRT

训练只完成了任务的一半，真正落地还要把PyTorch模型导出成部署格式。YOLOv8的导出命令特别简单：

yolo export model=runs/detect/train/exp/weights/best.pt format=onnx

ONNX是跨平台的标准格式，几乎所以推理框架都支持，导出之后可以用onnxruntime或者OpenVINO运行，CPU上的推理速度也会有所提升。如果目标平台是NVIDIA的GPU，可以进一步导出TensorRT引擎：

yolo export model=best.pt format=engine device=0

TensorRT会在导出时针对你的具体显卡做算子融合和显存优化，推理速度比PyTorch原生快很多。但注意TensorRT引擎和显卡绑定，换一张显卡就要重新导出一次。

如果是RK3588这类边缘设备，流程一般是先导出ONNX，再在RKNN工具链中转成RKNN格式。这类边缘设备跑YOLOv8已经比较成熟了，但每一步都有各自的坑，导出时走官方工具链给的版本组合最稳。

7.3 推理测试时的两个实用套路

拿训练好的模型去测单张图片：

yolo predict model=runs/detect/train/exp/weights/best.pt source=test.jpg conf=0.25

conf=0.25是置信度阈值，低于这个值的结果会被过滤掉。这个值的设定直接关联前面说的precision和recall平衡。正式部署前，建议在验证集上跑不同conf值画一条置信度曲线，选择一个对自己业务最合理的平衡点，而不是凭感觉拍一个数字。

写到最后，还是想分享一个我个人的体会。很多人看YOLOv8的教程，关注的总是"训练"这两个字的瞬间，但真正做下来你会发现，环境配置和训练代码只是一块敲门砖，数据集质量和排错能力才是决定你项目成败的关键。我自己现在做一个检测项目，标注和检查数据的时间占比往往超过60%，训练反而只占一小部分。这种时间分配在初看时觉得不合理，但做多了就明白，模型的上限从你准备好数据那一刻就已经确定了。至于环境配置，一次配好之后很少再动它，真正花时间是和那些莫名报错斗智斗勇的过程。这篇写下来的每个坑，都是我花真金白银的时间换来的，你照着避开了，就比当初的我已经快了一步。后续如果再遇到新问题，记住先看日志、再查版本、然后验证数据，这三板斧解决90%的问题。祝你的模型早日收敛。