目录
1.Pycharm的安装和虚拟环境调用（已经安装好的可以跳过此步骤）

1.1 下载pycharm软件

1.2 调用已创建虚拟环境（调用上一篇教程中创建好的虚拟环境）

2.标注自己数据集（已有数据集的这部分可跳过）

2.1配置标注软件labelme

2.2 标注自己数据集

2.3 制作自己数据集

3. 用YOLOv8训练自己数据集

3.1 部署YOLOv8代码

3.2 训练自己数据集

3.3 推理数据集

4. 总结
   ————————————————
   文章主要详细介绍如何标注自己数据集，然后从0开始利用YOLOv8训练自己数据集，推理数据集等，本文的相关torch环境主要基于上一篇文章，如果还没配置torch环境的可以阅读上篇文章配置。

1.Pycharm的安装和虚拟环境调用（已经安装好的可以跳过此步骤）

1.1 下载pycharm软件

大家直接进入pycharm官网下载：Pycharm官网下载

大家进入官网后记得选择和自己相关系统的版本，然后我这边用的是专业版（Professional），专业版前30天是免费的，后续要收费（如果大家是在读学生的话可以申请自己学校的教育邮箱，然后教育邮箱可以免费使用Pycharm专业版），不过社区版也是可以的
压缩包下载好之后，大家下载好之后直接双击运行安装程序即可
下一步

设置好自己的安装路径,然后点击下一步

在这一步的时候，我推荐是把这几个都选中，特别是添加将文件夹打开为项目，本人觉得还是很好用的，都选择完毕后点击下一步

然后继续点击下一步

点击安装，最后成功安装就可以了，安装完成后桌面上就会有pycharm界面了，大家可以先创建一个文件夹（文件夹名称不要带中文），然后将该文件夹在pychram打开

打开后就是以下页面

1.2 调用已创建虚拟环境（调用上一篇教程中创建好的虚拟环境）

首先，点击右下角的这个环境配置器部分

大家打开之后，依次进行选择现有，conda，然后环境的下拉键，就可以显示出自己所建的虚拟环境，大家选择自己在上一篇教程中建立的虚拟环境，然后点击确定就可以进入所建环境了
选择确认之后，右下角出现自己所选择环境名称后，则表示成功进入虚拟环境（我的虚拟环境名称是yolov8）

2.标注自己数据集（已有数据集的这部分可跳过）

2.1配置标注软件labelme

点击 Windows 开始菜单（左下角的 Windows 图标）。
在搜索栏中输入 Anaconda Prompt ，选择对应的应用程序图标打开anaconda的终端，依次输入以下指令，即可创建一个名为labelme的标注环境
先搜索一下安装的Python版本号

python -V

搜到Python的版本号为3.11.9
再输入以下指令创建一个名为labelme的标注环境

conda create -n labelme python=3.11.9

然后输入y ，回车

紧接着输入以下指令激活环境

conda activate labelme

输出下面这样则表述环境创建并激活成功

然后执行以下指令，安装标注软件

pip install labelme -i https://pypi.tuna.tsinghua.edu.cn/simple

这个的配置有时候加镜像也会很慢，会容易报错，大家多试几次，直到配置成功就行

出现以下界面就表示配置成功

然后就在当前界面输入以下指令，然后自动跳转至标注界面

labelme

出现下面这个界面表明已经打开了标注软件

2.2 标注自己数据集

紧接着我们开始标注自己的数据集，首先我们点击打开目录，然后将自己存放图片的文件夹打开（最好是路径和文件夹都不要带中文），具体操作步骤如下

选择好自己的图片所在文件夹路径之后点击下面的选择文件夹即可

点击之后文件夹内图片就会导入labelme标注软件，然后右下方会显示已导入图片

接下来大家可以点击上方的编辑，选择创建矩形，然后大家就可以利用这个矩形框对相应目标进行框选标注

大家框选完自己想标注的目标之后，就可以给目标定义一个名称，然后点击ok即可保存，下面是我标注了人（Drone）这个目标的示例

下面是我标注的所有目标，然后右边会显示标注的数量和目标名称，大家标注不同目标的话，只需定义不同目标名称即可

点击下一张后会在右下角显示是否已经标注且保存，已保存会有对号，大家可以检查一下，然后第二张、第三张的标注和第一张同理，后面的都按照这个方法标注保存即可


将自己数据集全部标注完成之后，会得到以下的内容，分别是图片和与其名称对应的.json标注文件


然后我们需要利用一个转换脚本代码，将这个.json文件转换为yolo格式的.txt文件

首先，我们在第一步的文件夹内右键点击建立一个新的.py格式文件， 自定义好,py文件的名称后回车就可以新建一个名为drone_to_txt的py文件
将以下转换代码粘贴到该文件

import json
import os
from tqdm import tqdm


def convert_label(drone_dir, save_dir, classes):
    # 确保保存目录存在
    os.makedirs(save_dir, exist_ok=True)

    # 支持的编码列表
    encodings = ['utf-8', 'utf-16', 'gbk', 'latin-1']
    class_list = classes.split(',')

    for filename in tqdm(os.listdir(drone_dir)):
        # 只处理 JSON 文件
        if not filename.lower().endswith('.json'):
            continue

        json_path = os.path.join(drone_dir, filename)
        json_data = None

        # 尝试多种编码解析 JSON
        for encoding in encodings:
            try:
                with open(json_path, 'r', encoding=encoding) as f:
                    json_data = json.load(f)
                break
            except (UnicodeDecodeError, json.JSONDecodeError):
                continue

        # 如果无法解析，跳过当前文件
        if json_data is None:
            print(f"警告: 无法解析文件 {filename}，跳过")
            continue

        # 获取图像尺寸
        try:
            img_height = json_data['imageHeight']
            img_width = json_data['imageWidth']
        except KeyError:
            print(f"警告: 文件 {filename} 缺少尺寸信息，跳过")
            continue

        # 构建输出文件路径
        base_name = os.path.splitext(filename)[0]
        txt_path = os.path.join(save_dir, f"{base_name}.txt")

        # 写入 YOLO 格式标签
        with open(txt_path, 'w', encoding='utf-8') as txt_file:
            for shape in json_data.get('shapes', []):
                try:
                    label = shape['label']
                    label_id = class_list.index(label)

                    # 归一化坐标
                    normalized_points = []
                    for x, y in shape['points']:
                        normalized_points.extend([x / img_width, y / img_height])

                    # 写入一行标签
                    point_str = ' '.join(map(lambda p: f"{p:.6f}", normalized_points))
                    txt_file.write(f"{label_id} {point_str}\n")

                except (KeyError, ValueError, IndexError) as e:
                    print(f"警告: 处理文件 {filename} 时出错: {e}")


if __name__ == "__main__":
    drone_dir = r'D:\my_dataset\drone'
    save_dir = r'D:\my_dataset\txt'
    classes = 'drone'

    convert_label(drone_dir, save_dir, classes)

然后将最下面的路径根据我的提示进行修改，并且将classes改为自己标注目标的名称即可（ps：json文件夹中只能有.json文件）,运行代码后就会在保存路径中生成.txt文件

2.3 制作自己数据集

大家把自己的图片数据和txt数据分别放在两个不同文件夹内进行归类，然后再新建一个py代码，复制粘贴下面这些代码后，在最下面根据我的提示更改路径，然后运行（这个代码的主要功能是对训练集，验证集和测试集按照比例进行随机划分）

import shutil
import random
import os
 
# 检查文件夹是否存在
def mkdir(path):
    if not os.path.exists(path):
        os.makedirs(path)
 
def split(image_dir, txt_dir, save_dir):
    # 创建一级目录
    train_dir = os.path.join(save_dir, 'train')
    val_dir = os.path.join(save_dir, 'valid')
    test_dir = os.path.join(save_dir, 'test')
 
    # 创建二级目录
    train_images_dir = os.path.join(train_dir, 'images')
    train_labels_dir = os.path.join(train_dir, 'labels')
 
    val_images_dir = os.path.join(val_dir, 'images')
    val_labels_dir = os.path.join(val_dir, 'labels')
 
    test_images_dir = os.path.join(test_dir, 'images')
    test_labels_dir = os.path.join(test_dir, 'labels')
 
    # 创建所有需要的文件夹
    mkdir(train_dir)
    mkdir(val_dir)
    mkdir(test_dir)
 
    mkdir(train_images_dir)
    mkdir(train_labels_dir)
    mkdir(val_images_dir)
    mkdir(val_labels_dir)
    mkdir(test_images_dir)
    mkdir(test_labels_dir)
 
    # 数据集划分比例，训练集75%，验证集15%，测试集10%，按需修改
    train_percent = 0.75
    val_percent = 0.15
    test_percent = 0.10
 
    total_txt = os.listdir(txt_dir)
    num_txt = len(total_txt)
    list_all_txt = range(num_txt)  # 范围 range(0, num)
 
    num_train = int(num_txt * train_percent)
    num_val = int(num_txt * val_percent)
    num_test = num_txt - num_train - num_val
 
    train = random.sample(list_all_txt, num_train)
    # 在全部数据集中取出train
    val_test = [i for i in list_all_txt if not i in train]
    # 再从val_test取出num_val个元素，val_test剩下的元素就是test
    val = random.sample(val_test, num_val)
 
    print("训练集数目：{}, 验证集数目：{},测试集数目：{}".format(len(train), len(val), len(val_test) - len(val)))
    for i in list_all_txt:
        name = total_txt[i][:-4]
 
        srcImage = os.path.join(image_dir, name + '.jpg')
        srcLabel = os.path.join(txt_dir, name + '.txt')
 
        if i in train:
            dst_train_Image = os.path.join(train_images_dir, name + '.jpg')
            dst_train_Label = os.path.join(train_labels_dir, name + '.txt')
            shutil.copyfile(srcImage, dst_train_Image)
            shutil.copyfile(srcLabel, dst_train_Label)
        elif i in val:
            dst_val_Image = os.path.join(val_images_dir, name + '.jpg')
            dst_val_Label = os.path.join(val_labels_dir, name + '.txt')
            shutil.copyfile(srcImage, dst_val_Image)
            shutil.copyfile(srcLabel, dst_val_Label)
        else:
            dst_test_Image = os.path.join(test_images_dir, name + '.jpg')
            dst_test_Label = os.path.join(test_labels_dir, name + '.txt')
            shutil.copyfile(srcImage, dst_test_Image)
            shutil.copyfile(srcLabel, dst_test_Label)
 
if __name__ == '__main__':
    image_dir = r'D:\my_dataset\image'          ####图片文件夹路径
    txt_dir = r'D:\my_dataset\txt'              ####txt文件夹路径
    save_dir = r'D:\my_dataset\dataset'         ####划分后的保存路径
 
    split(image_dir, txt_dir, save_dir)

运行代码后，会按照规定文件夹格式对图片和标签进行存放，格式如下

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

3. 用YOLOv8训练自己数据集

3.1 部署YOLOv8代码

大家可以去YOLOv8的官网去下载代码包（尽量利用我的链接下载，我在链接中已经选好版本了，最新版本也可以用，但是有可能会因为python版本报错）
yolov8官方下载链接
大家打不开官网的也可以用csdn链接下载 yolov8
进入链接后，依次点击code和下载安装包进行下载下载好之后解压，然后将解压文件在pycharm中打开，打开后是这样

打开后继续新建一个训练的drone_training.py文件脚本，以后大家就可以利用这个脚本去训练

from ultralytics import YOLO
 
# Load a model
model = YOLO('yolov8n.yaml')  # build a new model from YAML
 
# 断点续训
#Load a model
#model =#YOLO(r'E:\anzhi\car\3\ultralytics-8.2.82\runs\detect\train27\weights\last.pt')  # load a partially trained model
 
 
if __name__ == '__main__':
 
    #results = model.train(data=r'E:\anzhi\car\ultralytics\my.yaml', batch=80, epochs=10000, imgsz=640, resume=True,
                          #workers=8, device=0)
    results = model.train(data=r'E:\anzhi\car\3\ultralytics-8.2.82\train.yaml',batch=40,close_mosaic=0,epochs=1000,imgsz=640,resume=True,workers=8,device=1)

然后大家将右下角的环境切换到之前配置的有yolov8包的环境

打开项目的终端，在终端输入以下命令配置yolov8所需包（一定要确定是在该环境内）

pip install ultralytics -i https://pypi.tuna.tsinghua.edu.cn/simple

这个里面需要配置的包有点多，大家一定要确定完全配置好了再进行下一步，出现以下界面表示配置成功

3.2 训练自己数据集

大家依次点击ultralytics—cfg–datasets–voc.yaml, 打开之后是以下页面

接下来将其中的内容全部替换为以下内容，其中，上面三个都替换为之间建好数据集的训练、验证和测试集的路径，然后names下面将自己标注的目标个数和名称进行替换，如果只有一个目标那就只留下0，有多的就自己加上，切记，目标的名称也得修改（我这个是从voc数据集中截取了一部分，所有就有这些类别）

train: D:\my_dataset\voc\train  # train images (relative to 'path') 128 images
val: D:\my_dataset\voc\valid  # val images (relative to 'path') 128 images
test: D:\my_dataset\voc\test
 
# Classes
names:
  0: drone
 

然后在上面找到该yaml文件右键复制该文件绝对路径

点击这个绝对路径就可以直接复制成功

复制成功后将该路径粘贴到我们之间创建的drone_training.py脚本中，就是以下位置

后面的指令可以先修改成我这样，这里面的batch表示批次数，epochs表示训练的轮次，resume表示是否打开中断续训，workers表示线程数，大家先按照我这个设置，等能跑起来没问题之后再自己调参数训练

batch=-1,epochs=10,imgsz=640,resume=True,workers=8

全部修改完成后，在该页面右键直接运行这个python文件即可

出现下面页面表示配置成功，已经开始调用gpu训练了

已经开始调用GPU了，速度还是比较快的（然后可以看到，我的训练集共有1012张，验证集有347张，GPU显卡调用了3.6G）

紧接着大家耐心等待一段时间，等训练完成后会出现以下界面

然后最下面是相关结果的保存路径，打开自己的yolov8文件夹，然后按照对应路径打开就行，最终结果如下

这个里面就是所有的训练结果了。

3.3 推理数据集

咱们在训练结果的文件夹中，找到weights文件夹，然后将其中的best.pt的路径进行复制（包括文件名称和后缀）
然后创建一个prediction的推理脚本，并将以下内容复制进去，然后将相应的路径进行修改，运行该脚本

from ultralytics import YOLO

if __name__ == '__main__':
    # 使用训练好的权重文件加载模型
    model = YOLO(r'D:\my_dataset\ultralytics-8.2.82\ultralytics-8.2.82\runs\detect\train\weights\best.pt')  # 替换为自己训练好的best.pt文件的绝对路径
    # 推理参数设置
    results = model.predict(save=True, source=r'D:\my_dataset\voc\valid\images\2008_000026.jpg')  # 推理的图片存放路径

得到以下的推理输出

这个是推理结果的保存地址，我们进入地址查看推理结果


可以看出，结果不错！

4. 总结

本篇文章从最基础的标注数据集开始教学，直到最终成功调用GPU训练本人标注数据集，整个过程超级详细，基本都可以成功复现，同时也希望能对大家有所启发。