📚 课程目录第4章 YOLOv8训练自己的数据集

4. YOLOv8 训练自己的数据集：数据标注格式、数据集划分、YAML 配置与参数调优

好，到了真正动手的环节了。前面我们聊了 YOLOv8 的架构和安装，但说实话，那些都是开胃菜。真正让模型为你工作的，是这一步——训练你自己的数据集。

我刚开始带项目的时候，总觉得训练模型是最高大上的部分。后来被现实狠狠教育了一顿——数据准备占了整个项目 70% 的时间。你想想看，模型再牛，喂进去的数据是垃圾，吐出来的只能是更精致的垃圾。所以这一章，咱们把数据标注、划分、配置、调参这几个硬骨头啃下来。

核心要点：一个高质量的数据集 + 合理的配置文件 = 训练成功的一半。另一半？嗯，是耐心。

4.1 数据标注格式：LabelImg vs Roboflow

YOLOv8 默认使用 YOLO 格式的标注文件。每个图片对应一个同名的 .txt 文件，内容长这样：

0 0.5 0.5 0.3 0.4
1 0.2 0.8 0.1 0.15

每行代表一个目标：类别索引中心点x 中心点y 宽度高度。注意，坐标都是归一化到 [0,1] 的。为什么要归一化？说白了，不管你的图片是 1920x1080 还是 640x480，模型看到的坐标范围都一样，训练更稳定。

那怎么生成这种标注文件？两个主流工具：LabelImg 和 Roboflow。

对比项	LabelImg	Roboflow
运行方式	本地安装，Python 或 exe	在线网页，无需安装
标注格式	支持 YOLO、VOC、COCO 等	支持 30+ 格式导出
团队协作	单机，手动合并	云端多人协作
数据增强	无	内置旋转、翻转、马赛克等
适用场景	小规模、本地数据	中大规模、需要预处理

我个人习惯：如果数据量在几百张以内，用 LabelImg 就够了，简单直接。如果超过 1000 张，或者需要做数据增强，我会用 Roboflow。它那个在线标注界面确实比 LabelImg 顺手，而且导出 YOLO 格式一键搞定。

小技巧：LabelImg 默认保存的类别名是数字索引。记得在标注前先建一个 classes.txt，按顺序写好类别名，比如 person、car、dog。这样导出的标注文件索引才不会乱。

4.2 数据集划分：训练集、验证集、测试集

数据标完了，接下来要分家。YOLOv8 训练时默认需要两个目录：train 和 val。测试集不是必须的，但我建议你留一份，用来做最终评估。

常见的划分比例：

训练集：70% - 80%
验证集：10% - 15%
测试集：10% - 15%

目录结构长这样：

dataset/
├── images/
│   ├── train/
│   ├── val/
│   └── test/
└── labels/
    ├── train/
    ├── val/
    └── test/

注意：图片和标注文件要一一对应，文件名必须相同（后缀不同）。

我写了一个简单的 Python 脚本来做划分，分享给你：

import os
import random
import shutil

def split_dataset(data_dir, train_ratio=0.8, val_ratio=0.1):
    images = [f for f in os.listdir(os.path.join(data_dir, 'images')) if f.endswith(('.jpg', '.png'))]
    random.shuffle(images)
    
    n = len(images)
    train_end = int(n * train_ratio)
    val_end = int(n * (train_ratio + val_ratio))
    
    splits = {
        'train': images[:train_end],
        'val': images[train_end:val_end],
        'test': images[val_end:]
    }
    
    for split_name, file_list in splits.items():
        os.makedirs(f'{data_dir}/images/{split_name}', exist_ok=True)
        os.makedirs(f'{data_dir}/labels/{split_name}', exist_ok=True)
        for f in file_list:
            shutil.move(f'{data_dir}/images/{f}', f'{data_dir}/images/{split_name}/{f}')
            label_file = f.replace('.jpg', '.txt').replace('.png', '.txt')
            if os.path.exists(f'{data_dir}/labels/{label_file}'):
                shutil.move(f'{data_dir}/labels/{label_file}', f'{data_dir}/labels/{split_name}/{label_file}')

split_dataset('dataset/')

避坑指南：我曾经犯过一个低级错误——划分前没有打乱数据。结果训练集全是白天的图片，验证集全是晚上的。模型在训练集上表现很好，一到验证集就崩。所以，一定要先随机打乱，再划分。

4.3 YAML 配置文件编写

YOLOv8 用 YAML 文件告诉模型：你的数据在哪、有哪些类别。这是训练前必须写好的文件。

一个标准的 dataset.yaml 长这样：

# 数据集路径
path: ./dataset  # 数据集根目录
train: images/train  # 训练集图片路径（相对 path）
val: images/val      # 验证集图片路径
test: images/test    # 测试集图片路径（可选）

# 类别信息
nc: 3  # 类别数量
names: ['person', 'car', 'dog']  # 类别名称列表

几个容易踩的坑：

path 建议用路径或相对于 YAML 文件的路径。我习惯把 YAML 文件放在数据集根目录下，这样 train 和 val 直接写相对路径就行。
nc 必须和 names 列表长度一致。多一个少一个都会报错。
类别名称的顺序要和标注文件里的索引对应。比如 person 是 0，car 是 1，dog 是 2。

我的习惯：每次写完 YAML 文件，我都会用 yaml.safe_load() 验证一下格式。Python 的缩进问题在 YAML 里同样致命——一个空格错位，模型就找不到数据了。

4.4 训练参数调优

数据准备好了，YAML 写好了，终于可以开始训练了。但别急着跑，先看看几个关键参数。

YOLOv8 的训练命令：

yolo train model=yolov8n.pt data=dataset.yaml epochs=100 imgsz=640 batch=16

参数说明：

参数	默认值	说明	调优建议
`model`	yolov8n.pt	预训练模型权重	小数据集用 nano，大数据集用 large
`epochs`	100	训练轮数	先跑 50 轮看 loss 曲线，再决定是否增加
`imgsz`	640	输入图片尺寸	显存不够就降到 416 或 320
`batch`	16	批次大小	显存允许的情况下尽量大，但别超过 64
`lr0`	0.01	初始学习率	如果 loss 震荡，降到 0.001
`patience`	50	早停耐心值	小数据集设 20，防止过拟合

我个人经验：刚开始调参时，别一上来就追求极致。先用默认参数跑一轮，看看 loss 曲线和 mAP 的变化。如果 loss 下降很慢，再考虑调学习率；如果 mAP 在验证集上停滞不前，可能是数据量不够或者标注质量有问题。

调参口诀：先跑通，再调优。loss 震荡降 lr，mAP 不涨查数据。

还有一个参数我特别想提——patience。这个参数控制早停机制：如果验证集上的 mAP 连续 patience 轮没有提升，训练就自动停止。我建议设成 20-30，既能节省时间，又不会错过最佳模型。

4.5 本章知识体系

下面这张图帮你理清整个流程：

从数据标注开始，到划分、配置、调参，每一步都环环相扣。别想着跳过任何一步——我见过太多人因为标注格式不对，训练到一半才发现，白白浪费十几个小时。