找到
3
篇与
yolo v8
相关的结果
-
YOLOv8自定义数据集制作与训练教程｜训练专属检测模型 YOLOv8实战：从零制作自定义数据集，训练专属检测模型 前两章我们搞定了环境搭建和基础推理，能处理图片、视频，但用的都是官方预训练模型，只能检测80类通用目标（比如人、车、猫）。实际做项目时，肯定要检测自己的专属目标——比如检测工厂的零件缺陷、自家宠物、特定商品，这就需要做自定义数据集，训练专属模型。这一章全程手把手带做，从标注工具安装到训练出第一个自己的模型，所有步骤都拆到新手能看懂，代码直接复用。 ml7hddwt.png图片 一、前期准备：明确目标+选对工具 1. 先定检测目标（新手别贪多） 新手第一次做，别选太复杂的目标（比如检测细小的电子元件），选2-3类简单目标即可，比如： 日常物品：水杯（cup）、键盘（keyboard）、鼠标（mouse） 宠物类：自家的猫（cat）、狗（dog） 场景类：椅子（chair）、桌子（table） 我以“检测水杯、键盘、鼠标”为例，全程演示，你可以替换成自己要检测的目标。 2. 标注工具选LabelImg（新手首选） YOLOv8需要YOLO格式的标注文件，LabelImg是最经典、最容易上手的标注工具，支持一键导出YOLO格式，不用手动改格式，完美适配新手。 二、LabelImg安装（Windows/Mac通用） 1. 安装前置依赖 LabelImg基于Python和PyQt5，先装PyQt5： # Windows pip install pyqt5 lxml # Mac/Linux pip3 install pyqt5 lxml2. 安装LabelImg 两种方式，选一种就行： 方式1：pip直接安装（推荐） # Windows pip install labelimg # Mac/Linux pip3 install labelimg方式2：GitHub克隆安装（备用，解决pip安装失败） # 克隆仓库（需要装git，没装的话先装git） git clone https://github.com/HumanSignal/labelImg.git cd labelImg # 安装并运行 python setup.py install3. 验证安装（启动LabelImg） 打开终端，输入： # Windows/Mac通用 labelImg回车后会弹出LabelImg的可视化窗口，说明安装成功；如果报错“找不到命令”，重启终端或检查Python环境变量（上一章提过的PATH问题）。 三、制作YOLO格式自定义数据集（核心步骤） 1. 先建标准文件夹结构 YOLOv8对数据集路径、文件夹命名有严格要求，先按下面的结构建好文件夹（纯英文命名，别用中文/空格）： my_custom_dataset/ # 总文件夹 ├── images/ # 图片文件夹 │ ├── train/ # 训练集图片（80%） │ └── val/ # 验证集图片（20%） └── labels/ # 标注文件文件夹 ├── train/ # 训练集标注文件（和train图片一一对应） └── val/ # 验证集标注文件（和val图片一一对应）操作步骤： 新建总文件夹my_custom_dataset，放在桌面（方便查找）； 里面建images和labels两个子文件夹； images里再建train和val，labels同理。 2. 准备图片并划分训练/验证集 找20-50张包含“水杯、键盘、鼠标”的图片（数量不用多，新手先跑通流程）； 选16-40张放入images/train（训练集，占80%），剩下的4-10张放入images/val（验证集，占20%）； 所有图片重命名为纯英文+数字，比如img_001.jpg、img_002.jpg（避免中文/特殊字符报错）。 3. 用LabelImg标注图片（逐步教） 标注的核心是“给每张图片里的目标画框，指定类别，导出YOLO格式标注文件”，步骤如下： 步骤1：设置标注环境 打开LabelImg，点击左上角File → Change Save Dir，选择labels/train（先标注训练集）； 点击左上角View，勾选Auto Save Mode（自动保存，不用手动点保存）； 点击左侧YOLO（切换到YOLO标注格式，关键！默认是PascalVOC，要切换）。 步骤2：加载图片并标注 点击左上角Open Dir，选择images/train，加载训练集图片； 按快捷键W，调出标注框工具，用鼠标框选图片里的“水杯”； 弹出“Enter label”对话框，输入类别名（比如cup，小写！），点击OK； 继续框选同一张图里的“键盘”（输入keyboard）、“鼠标”（输入mouse）； 按快捷键D，切换到下一张图片，重复标注； 标注完所有训练集图片后，同理切换Save Dir到labels/val，标注验证集图片。 步骤3：检查标注文件 标注完成后，labels/train和labels/val里会出现和图片同名的.txt文件（比如img_001.txt），这就是YOLO格式标注文件，打开一个看看，格式如下（每行代表一个目标）： 0 0.45 0.52 0.30 0.40 # 类别编号 中心点x 中心点y 框宽 框高（都是归一化值，不用改） 1 0.78 0.65 0.25 0.354. 新建类别映射文件（classes.txt） 在my_custom_dataset根目录下，新建classes.txt文件，按顺序写入所有类别名（每行一个），比如： cup keyboard mouse这个文件用来关联“类别编号”和“类别名”，比如编号0对应cup，1对应keyboard，必须和标注时输入的名称一致！ 四、编写数据集配置文件（yaml文件） YOLOv8训练需要一个yaml文件，告诉模型“数据集在哪、有多少类、类别名是什么”，这是新手最容易出错的环节，我直接给模板，你改路径和类别即可。 在my_custom_dataset根目录下，新建custom_dataset.yaml文件，内容如下（重点改path！）： # 数据集根路径（绝对路径！新手别用相对路径，避免找不到） # Windows示例：path: C:/Users/你的用户名/Desktop/my_custom_dataset # Mac示例：path: /Users/你的用户名/Desktop/my_custom_dataset path: C:/Users/xxx/Desktop/my_custom_dataset # 训练集/验证集图片路径（基于上面的path，不用改） train: images/train val: images/val # 类别数（我这里是3类：cup、keyboard、mouse，按自己的改） nc: 3 # 类别名（和classes.txt一致，顺序也必须一致！） names: ['cup', 'keyboard', 'mouse'] ⚠️ 关键坑：path必须写绝对路径！比如Windows路径是C:/Users/张三/Desktop/my_custom_dataset（别用反斜杠\，用/），Mac路径是/Users/张三/Desktop/my_custom_dataset，写错路径训练时会提示“找不到数据集”。 五、训练自定义YOLOv8模型（核心代码） 所有准备工作完成后，训练代码非常简洁，基于ultralytics库一键训练，新手不用改复杂参数，先跑通再说。 完整训练代码 from ultralytics import YOLO # 1. 加载预训练模型（用yolov8s，轻量均衡，新手首选） model = YOLO('yolov8s.pt') # 2. 开始训练（核心参数只改data路径） results = model.train( data='C:/Users/xxx/Desktop/my_custom_dataset/custom_dataset.yaml', # 你的yaml文件绝对路径 epochs=50, # 训练轮数：新手50-100足够，数据少就少点（比如30） batch=8, # 批次大小：CPU/低配GPU设4-8，高配GPU设16-32 imgsz=640, # 输入图片尺寸：默认640，不用改 device=0, # 设备：0=GPU（有N卡就用），-1=CPU（无GPU） patience=10, # 早停：10轮没提升就停止，避免过拟合 save=True, # 自动保存最佳模型 project='runs/train',# 训练结果保存目录 name='custom_model' # 本次训练名称，方便区分 ) # 训练完成后，最佳模型会保存在 runs/train/custom_model/weights/best.pt print("训练完成！最佳模型路径：", results.save_dir + "/weights/best.pt")训练过程监控 运行代码后，终端会打印训练日志，重点看两个指标： mAP50：平均精度，数值越高（0-1），模型效果越好； loss：损失值，随着训练轮数增加，应该逐渐降低并趋于稳定。 训练过程中，还会自动生成runs/train/custom_model文件夹，里面有训练曲线图、验证集检测示例、模型权重文件，不用手动管。 六、用自定义模型推理（验证效果） 训练完成后，用自己训的best.pt模型检测图片，验证是否能识别自定义目标： from ultralytics import YOLO # 加载自己训练的最佳模型 model = YOLO('runs/train/custom_model/weights/best.pt') # 检测一张包含水杯/键盘/鼠标的图片 results = model( source='test_custom.jpg', # 自己的测试图片 conf=0.5, # 置信度调高，避免误检 save=True ) # 打印检测结果 print("自定义模型检测结果：") for box in results[0].boxes: class_name = results[0].names[int(box.cls)] confidence = round(float(box.conf), 2) print(f"目标：{class_name}，置信度：{confidence}")运行后，会生成带标注框的结果图，能清晰看到自己标注的“cup/keyboard/mouse”被识别出来，就算训练成功了！ 七、本章常见问题与解决方法 训练报错“Dataset not found” 原因：yaml文件里的path路径错误、数据集文件夹结构不对、图片/标注文件缺失 解决：核对绝对路径是否正确，确保images/train和labels/train里的文件一一对应（图片和txt文件名完全一致）。 训练时显存不足（CUDA out of memory） 原因：batch批次太大、模型版本太高（比如用yolov8l/x） 解决：把batch降到4甚至2，换回yolov8n/s模型，或用CPU训练（device=-1）。 标注文件报错“IndexError: list index out of range” 原因：类别编号超出范围（比如标注了4类，但yaml里nc=3）、classes.txt和标注类别名不一致 解决：核对nc数值和实际类别数一致，类别名大小写/拼写完全匹配。 训练完成后检测不到自定义目标 原因：标注图片数量太少、标注框不准确、训练轮数不够 解决：增加标注图片数量（至少20张），重新标注确保框准确，把epochs调到80-100。 八、本章小结 这一章我们完成了“自定义数据集制作→配置文件编写→模型训练→推理验证”的全流程，核心是“先搭对文件夹结构、选对标注格式、写对yaml路径”，这三个环节不出错，训练基本就能跑通。 新手第一次训练效果可能不完美（比如漏检、误检），不用急，后续可以通过增加标注数据、调整训练参数（比如batch、epochs）、优化标注质量来提升。下一章我们会专门讲“YOLOv8训练调参技巧”，教你怎么用最少的改动，让模型效果翻倍。
-
YOLOv8实战进阶｜单图、视频、批量推理与基础参数调优教程 YOLOv8实战进阶：单图、视频、批量推理与基础参数调优 上一章我们完成了YOLOv8最基础的环境搭建和单张图片检测，成功跑出了第一个带标注框的结果。但在实际使用里，只处理单张静态图片远远不够，视频检测、批量图片处理、调整检测精度和速度，才是日常高频用到的功能。这一章就顺着上一章的代码，在不改动核心逻辑的前提下，扩展常用推理场景，同时讲清楚新手最先用到的几个参数，所有代码都可以直接复制运行，配合上一章的环境直接使用。 ml2hyuoz.png图片 一、模型规格切换与选用建议 YOLOv8官方提供了多种不同大小的预训练模型，分别是yolov8n、yolov8s、yolov8m、yolov8l、yolov8x，后缀字母对应模型参数量和计算量，直接影响检测速度和精度，新手可以根据硬件直接选择。 yolov8n：nano，最小最快，精度一般，适合CPU、低配设备、嵌入式端 yolov8s：small，轻量均衡，CPU运行流畅，精度比n版提升明显，日常测试首选 yolov8m：medium，中等规模，精度较好，建议有独立显卡使用 yolov8l：large，大模型，高精度，需要中端以上NVIDIA显卡 yolov8x：xlarge，最大模型，精度最高，对显卡显存要求高 模型切换不需要修改代码逻辑，只需要更换加载的模型文件名即可。上一章我们用的是yolov8n.pt，想要换成s版，只需要修改一行代码： from ultralytics import YOLO # 替换为yolov8s.pt，首次运行会自动下载模型文件 model = YOLO('yolov8s.pt')硬件配置普通、仅做学习测试，优先保留n版或s版；有GPU且追求检测效果，再逐步升级到m、l、x版，不建议新手一上来用大模型，容易出现加载慢、显存不足的问题。 二、单张图片推理进阶用法 基础单图检测只能实现默认检测和保存，实际使用中我们经常需要指定保存目录、关闭冗余输出、只提取检测结果数据，这里整理可直接使用的进阶代码。 from ultralytics import YOLO # 加载s版均衡模型 model = YOLO('yolov8s.pt') # 单图推理，增加常用参数 # source：图片路径 # conf：置信度阈值，低于该值的目标不显示 # save：是否保存结果图片 # project：保存结果的根文件夹 # name：本次推理的结果子文件夹 # verbose：关闭终端冗余日志输出 results = model( source='test.jpg', conf=0.3, save=True, project='runs/detect', name='my_single_result', verbose=False ) # 解析并结构化打印结果 print("=== 单图检测详细结果 ===") for idx, box in enumerate(results[0].boxes): cls_id = int(box.cls) class_name = results[0].names[cls_id] conf = round(float(box.conf), 2) # 检测框坐标信息 (x1, y1, x2, y2) xyxy = box.xyxy.cpu().numpy().tolist()[0] print(f"目标{idx+1} | 类别：{class_name} | 置信度：{conf} | 坐标：{xyxy}")运行后，结果会统一保存在runs/detect/my_single_result目录下，方便多次测试区分不同版本的输出，同时终端只打印结构化的关键信息，不会被大量日志干扰。 三、视频文件目标检测 图片检测是基础，视频检测是YOLOv8的高频实用场景，代码逻辑和单图完全一致，只需要将source参数替换为视频文件路径，模型会自动逐帧处理并输出带检测框的视频。 操作准备 准备一段常见格式的视频，如mp4、avi、mov，文件名改为英文，如test_video.mp4 将视频和代码文件放在同一目录 完整视频检测代码 from ultralytics import YOLO model = YOLO('yolov8s.pt') # 视频推理，新增帧率相关与保存参数 results = model( source='test_video.mp4', conf=0.3, save=True, project='runs/detect', name='my_video_result', verbose=False, # 保留视频音频，可选 save_audio=True ) print("视频检测完成，结果保存在runs/detect/my_video_result目录")硬件说明： CPU环境：可以处理短时长、低分辨率视频，处理速度慢于原视频帧率，属于正常现象 GPU环境：可以流畅处理1080P及以下视频，处理速度接近实时 输出的视频文件会自动存放在指定目录，文件名包含处理标识，可直接用播放器打开查看逐帧检测效果。 四、批量图片批量推理 日常工作中经常需要一次性处理一整个文件夹的图片，逐张手动运行效率太低，YOLOv8支持直接传入文件夹路径，自动批量处理所有图片，无需编写循环代码。 操作准备 新建一个文件夹，命名为batch_images 将所有需要检测的图片放入该文件夹，全部使用英文文件名 保证batch_images和代码文件在同一级目录 批量检测完整代码 from ultralytics import YOLO model = YOLO('yolov8s.pt') # 直接传入文件夹路径，批量处理所有图片 results = model( source='batch_images', conf=0.3, save=True, project='runs/detect', name='my_batch_result', verbose=False ) # 统计总检测数量 total_objects = 0 for res in results: total_objects += len(res.boxes) print(f"批量处理完成，共处理图片{len(results)}张，总计检测目标{total_objects}个") print("所有标注结果图片保存在runs/detect/my_batch_result目录")运行后，程序会遍历文件夹内所有合法图片，逐张检测并保存标注结果，终端输出整体统计数据，适合数据集预处理、批量标注预览等场景。 五、新手必用核心参数说明 上面代码用到的参数，是日常推理最常用的几个，不需要记复杂文档，理解这几个就足够完成大部分测试任务： source：输入源，可以是单张图片路径、视频路径、文件夹路径、摄像头编号 conf：置信度阈值，范围0-1，数值越高，检测结果越严格，误检越少，但可能漏检小目标，新手常用0.25-0.5 save：布尔值，True为保存带框的结果文件，False为只计算不保存 project：结果保存的根目录，统一管理所有输出，避免文件混乱 name：单次推理的子文件夹名称，方便区分不同参数、不同模型的测试结果 verbose：True输出完整日志，False关闭冗余输出，只保留关键信息 这些参数可以自由组合，比如高置信度严格检测、指定自定义保存目录、批量处理加精简日志，适配不同使用场景。 六、本章常见问题与解决方法 视频运行报错，提示无法读取视频 原因：视频格式不兼容、文件损坏、路径包含中文或空格 解决：转换为mp4格式，重命名为纯英文无空格路径，检查文件是否可正常播放 批量处理只识别部分图片 原因：部分图片格式非JPG/PNG、文件名异常、图片损坏 解决：统一转换为JPG格式，删除无法打开的损坏图片，全部使用英文命名 CPU处理视频速度极慢，甚至卡顿 原因：视频分辨率过高、模型版本偏大、CPU性能有限 解决：换回yolov8n模型，压缩视频分辨率为720P及以下，缩短视频时长 输出目录找不到结果文件 原因：project和name参数理解错误，默认路径和自定义路径混淆 解决：固定使用runs/detect作为根目录，每次修改name区分任务，直接按路径层级查找 检测结果大量误检，出现无效目标 原因：置信度conf设置过低 解决：将conf从0.25提高到0.35-0.4，过滤低置信度无效目标 七、本章小结 这一章我们没有引入新的环境配置，完全基于上一章的运行环境，扩展了单图进阶、视频、批量图片三种核心推理方式，同时讲清楚了模型规格选择和新手必用参数。可以发现，YOLOv8的推理接口设计非常统一，无论输入源是图片、视频还是文件夹，核心代码结构完全不变，只需要修改source和少量配置参数。 现阶段不需要深入理解模型底层原理，先熟练掌握不同输入源的推理写法、参数调整，能稳定处理图片和视频，完成日常测试需求，就已经达到入门实战的标准。下一章我们会进入自定义数据的准备环节，学习使用标注工具制作自己的数据集，为训练专属检测模型做准备。
-
YOLOv8新手入门｜半小时从0到1跑通目标检测 前言 最近想入门目标检测，选了YOLOv8——毕竟是现在最主流的版本，官方文档也算友好，但作为纯新手，光看文档还是踩了不少细节坑。今天把“从装环境到跑出第一个检测结果”的全过程拆解得明明白白，主打一个“新手跟着做就能成”，先不抠复杂理论，咱先把代码跑起来、看到效果再说。 ml1blk9f.png图片 一、环境搭建：新手别贪新，稳最重要 YOLOv8依赖Python和几个核心库，版本不对会踩大坑，我先把每一步的操作和验证方法写清楚，按步骤来绝对不出错。 1. 第一步：确认Python版本（重中之重） YOLOv8对Python版本有要求，太高的版本（比如3.11、3.12）会和依赖库不兼容，我亲测3.8、3.9、3.10这三个版本最稳，优先选3.9。 怎么查Python版本？打开电脑的终端（Windows叫命令提示符/PowerShell，Mac/Linux叫终端），输入： python --version # 或（部分电脑需要用python3） python3 --version回车后会显示版本号，比如“Python 3.9.18”就是合格的；如果显示3.11+，建议先装3.9版本（网上搜“Python3.9安装”，按系统步骤装就行，新手选“添加到PATH”，避免后续路径问题）。 2. 第二步：升级pip（避免安装库时出错） pip是Python装库的工具，旧版本容易装错包、出现兼容性问题，先升级到最新版： # Windows系统 python -m pip install --upgrade pip # Mac/Linux系统 python3 -m pip install --upgrade pipml1aj4tv.png图片 看到“Successfully upgraded pip”就说明升级成功了，耐心等几秒就行，过程很快。 3. 第三步：安装YOLOv8核心库ultralytics ultralytics是官方维护的YOLOv8库，不用复杂配置，一行命令就能安装： # Windows系统 pip install ultralytics # Mac/Linux系统 pip3 install ultralyticsml1aydce.png图片 安装过程中会自动下载依赖的库（比如numpy、opencv、pillow等），不用手动干预。看到“Successfully installed ultralytics-xxx”（xxx是版本号），就说明核心库装好了。 4. 第四步：安装PyTorch（最容易踩坑的一步） ultralytics必须依赖PyTorch才能运行，但直接用pip装可能会装到不匹配的版本，尤其是有显卡的同学，一定要按自己的系统和硬件选对命令，新手优先装CPU版，稳妥不出错。 先判断自己要不要装GPU版：如果你电脑是N卡（NVIDIA），且提前装了CUDA（新手如果没装CUDA，别折腾，先装CPU版，后续熟悉了再升级GPU）；AMD显卡或没有独立显卡的，直接装CPU版即可。 安装命令（复制对应版本，粘贴到终端执行）： ① CPU版（所有系统通用，新手首选）： # Windows/Mac/Linux通用 pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cpuml1azc1e.png图片 ② GPU版（仅NVIDIA显卡，需先装CUDA 11.8/12.1）： 去PyTorch官网（https://pytorch.org/get-started/locally/），按提示选择系统、CUDA版本，复制生成的命令。比如Windows系统+CUDA 11.8，命令如下： pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118ml1azqvu.png图片 验证PyTorch是否装对（必做步骤）：装完后，在终端输入python（或python3）进入Python交互模式，依次输入两行代码： import torch print(torch.cuda.is_available()) # 有GPU且装对会显示True，CPU版显示Falseml1b0u3d.png图片 如果没报错，就说明PyTorch装对了。输入exit()退出Python交互模式，进入下一步。 5. 最终验证：确认YOLOv8能正常导入 这一步能提前排查问题，避免后续写好代码白忙活。在终端输入python（或python3），输入： from ultralytics import YOLO print("YOLOv8环境搭建完成！")ml1b1s6y.png图片 没报错、能正常打印这句话，说明整个环境搭建完全没问题了，可以开始写代码跑demo了。 二、写6行代码，跑通第一个目标检测（全程不踩坑） 环境搭好，接下来就是最有成就感的环节——跑通第一个检测demo！我把代码逐行注释，新手照抄就行，连路径问题都帮你考虑到了。 1. 准备测试图片 ① 找一张包含常见物体的图片（比如有猫、狗、人、杯子、汽车的图），别用带中文的图片名，会报错，重命名为test.jpg； ② 把图片放在一个容易找到的文件夹里，比如Windows的“桌面/YOLO_test”，Mac的“文稿/YOLO_test”，后续代码和图片放同一文件夹，不用记复杂路径。 2. 编写核心代码（逐行解释，新手能懂） 打开记事本（Windows）或文本编辑（Mac），复制下面的代码，保存为detect_test.py（同样别用中文文件名），和test.jpg放在同一个文件夹里： # 1. 导入YOLO库（环境搭好才能正常导入，报错先查环境） from ultralytics import YOLO # 2. 加载YOLOv8预训练模型：选yolov8n（n代表nano，最轻量，运行最快，新手优先） # 第一次运行会自动下载yolov8n.pt模型文件，耐心等几秒（网络差可手动下载） model = YOLO('yolov8n.pt') # 3. 执行目标检测：传入图片路径，conf=0.25代表置信度（低于25%的目标不识别，避免误检） results = model('test.jpg', conf=0.25) # 4. 保存检测后的图片（自动画彩色框，标注目标名称和置信度） results[0].save('result.jpg') # 5. 打印检测结果：清晰显示识别到的目标和置信度 print("检测完成！以下是识别到的目标：") for box in results[0].boxes: # box.cls是目标类别编号，results[0].names是编号对应的类别名 class_name = results[0].names[int(box.cls)] # box.conf是置信度，保留两位小数，更易读 confidence = round(float(box.conf), 2) print(f"目标：{class_name}，置信度：{confidence}")ml1bi7ts.png图片 有点不准(bushi) 3. 运行代码（两种方式，选一种就行） 方式1：终端运行（推荐，新手易排查问题） ① 打开终端，切换到图片和代码所在的文件夹： Windows系统（比如文件在桌面YOLO_test文件夹）： cd Desktop/YOLO_testMac系统（比如文件在文稿YOLO_test文件夹）： cd ~/Documents/YOLO_test② 输入运行命令，执行代码： # Windows系统 python detect_test.py # Mac/Linux系统 python3 detect_test.py方式2：用IDE运行（比如PyCharm、VS Code） ① 打开PyCharm/VS Code，导入存放代码和图片的文件夹； ② 右键点击detect_test.py文件，选择“Run”（运行），等待执行完成即可。 4. 查看检测结果（重点看这两个地方） ① 查看结果图片：文件夹里会多出result.jpg，打开后能看到图片上有彩色边框，边框旁标注了目标名称（比如cat、person、cup）和置信度，一目了然； ② 查看终端输出：终端会打印出识别到的目标和对应置信度，比如“目标：cat，置信度：0.92”，能清晰知道模型识别结果； 补充：如果没在文件夹根目录找到result.jpg，去runs/detect/predict目录找——这是YOLOv8默认的结果保存路径，第一次运行会自动生成这个文件夹，结果图一定在里面。 三、新手必看：我踩过的坑和解决方法 我第一次操作时，光环境搭建就耗了1小时，全是踩坑踩出来的经验，这几个坑新手大概率会遇到，提前记好解决方案： 1. 坑1：运行代码报“FileNotFoundError: test.jpg” 原因：图片路径错误，要么图片和代码不在同一文件夹，要么图片名写错（比如多打了空格、用了中文）。 解决：① 确认test.jpg和detect_test.py在同一文件夹；② 图片名必须是纯英文+后缀，无空格；③ 实在搞不定路径，就写绝对路径，比如Windows：model('C:/Users/你的用户名/Desktop/YOLO_test/test.jpg')，Mac：model('/Users/你的用户名/Documents/YOLO_test/test.jpg')。 2. 坑2：下载yolov8n.pt模型超时、失败 原因：网络问题，模型文件在国外服务器，国内网络下载容易卡顿超时。 解决：手动下载模型（网上搜“yolov8n.pt 官方下载”，从ultralytics官网或可信平台下载），把下载好的yolov8n.pt文件放到代码所在文件夹，代码会自动读取本地模型，不用再在线下载。 3. 坑3：导入YOLO时报“ImportError: Missing required dependencies ['torch']” 原因：PyTorch没装对，或版本不兼容，导致YOLO库无法调用。 解决：先卸载现有PyTorch，再重新安装。卸载命令：pip uninstall torch torchvision torchaudio，然后按前面的步骤重新装CPU版PyTorch，基本能解决。 4. 坑4：Mac运行报“OSError: dlopen(libtorch.dylib, 0x0006): Library not loaded” 原因：Mac系统Python环境混乱，库依赖路径不对。 解决：用Anaconda创建独立环境（新手搜“Anaconda安装教程”，很简单），创建Python3.9的环境后，在该环境下重新装ultralytics和PyTorch，就能避免路径冲突。 四、新手碎碎念 其实新手入门YOLOv8，最容易犯的错就是“追求新版本”“急于抠理论”——一开始我非要装Python3.12，结果各种兼容问题，换成3.9后瞬间顺畅；还总想着先搞懂“锚框”“特征提取”，越看越懵，反而打击积极性。 后来发现，先把代码跑起来、看到检测结果，有了成就感再回头补理论，效率会高很多。这篇教程主打“能跑就行”，把环境搭建、代码运行的每一步都拆碎，甚至把命令都写死，就是希望新手能少走弯路，快速get到目标检测的乐趣。 下一篇我会讲YOLOv8的拓展玩法——分割、姿态估计，其实就改一行代码的事，新手也能轻松上手，咱们下篇见。
