YOLOv8 训练自定义数据集 完整步骤（新手零失败）

我给你整理了最简单、最实用、直接能跑的 YOLOv8 自定义数据集训练教程，全程基于官方 ultralytics 库，不用复杂配置，新手也能一次成功。

一、环境准备（1 分钟搞定）

1. 安装 Python

推荐：Python 3.8 ~ 3.11

2. 安装 PyTorch（必须先装）

进入 PyTorch 官网 复制对应你系统的命令，例如：

# CPU 版本（测试用）

pip3 install torch torchvision torchaudio

# GPU 版本（推荐，训练更快）

pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118

3. 安装 YOLOv8

pip install ultralytics

安装完成后，输入以下命令验证：

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

能出结果就说明环境正常。

二、数据集格式（最重要！必须严格按这个来）

YOLOv8 使用 YOLO 格式，文件夹结构必须如下：

你的数据集文件夹/
├── images/
│   ├── train/       # 训练图片（.jpg/.png）
│   └── val/         # 验证图片
└── labels/
    ├── train/       # 训练标签（.txt，和图片同名）
    └── val/         # 验证标签

标签文件规则（.txt）

每一行代表一个目标：

类别ID 中心x 中心y 宽度w 高度h

坐标都是归一化到 0~1 的小数

类别 ID 从 0 开始编号

示例：

0 0.5 0.6 0.2 0.3

1 0.2 0.4 0.15 0.25

三、创建数据集配置文件（.yaml）

在项目根目录新建一个 my_data.yaml 文件，内容如下：

# 数据集路径（必须写绝对路径！）

path: D:/my_dataset# 你的数据集根目录

train: images/train# 训练集相对 path 的路径

val: images/val# 验证集相对 path 的路径

# 类别数量

nc: 2# 你有几类就改几，例如 1、3、5...

# 类别名称（顺序必须和标签 ID 对应）

names:

0: cat

1: dog

四、开始训练（一行命令）

最简训练命令（直接复制改路径就能用）

yolo task=detect mode=train model=yolov8s.pt data=my_data.yaml epochs=100 imgsz=640 batch=8

参数说明

model=yolov8s.pt：模型大小（n/s/m/l/x），s 适合新手

data=my_data.yaml：你的数据集配置文件

epochs=100：训练轮数（至少 50~100）

imgsz=640：图片尺寸

batch=8：批次大小（显存小就改 2、4）

训练成功标志

控制台会输出：

mAP@0.5

损失值下降

自动保存最优模型

五、训练完怎么用（预测 / 推理）

yolo predict model=runs/detect/train/weights/best.pt source=测试图片路径

六、常见问题（必看）

1. 路径报错

全部使用英文路径 + 绝对路径，不要有中文、空格。

2. 标签不匹配

图片和标签同名

标签在 labels/train 和 labels/val

类别数量 nc 必须正确

3. 显存不足

改小 batch：batch=2

改小模型：yolov8n.pt

改小尺寸：imgsz=480

4. 效果差

每类至少 100~300 张图

标注要准确

训练轮数 >= 100

七、完整训练流程总结

1. 安装环境 → pytorch + ultralytics

2. 整理数据集 → images + labels 结构

3. 写 yaml 配置文件 → 路径、类别数、类别名

4. 一行命令训练

5. 用 [best.pt](best.pt) 做预测

总结

环境：pip install ultralytics

数据集：严格 YOLO 目录格式

配置：my_data.yaml 指定路径和类别

训练：yolo train model=yolov8s.pt data=my_data.yaml

预测：yolo predict model=best.pt source=图片