一、前置核心认知：YOLOv8 是什么？

1. 核心定位

YOLOv8（You Only Look Once v8）= 目标检测领域的 “爆款工具”，是目前工业界和入门学习最常用的目标检测模型，能自动完成：

• 识别图片 / 视频中的物体（如猫、狗、人、汽车、椅子等）；
• 用方框标出物体的位置；
• 标注物体的类别名称（如 “cat”“dog”“person”）；
• 给出识别的置信度（越接近 1，识别越准确）。

2. 小白通俗理解

YOLOv8 就像给计算机装了 “火眼金睛”：你给它一张图片，它能立刻告诉你 “图片里有 1 只猫（在左上角）、2 个人（在中间）、1 辆汽车（在右下角）”，还会把这些物体用方框标出来生成新图片 —— 而且这一切都不用你写复杂模型代码，直接用官方训练好的 “成品模型” 就行。

3. 核心优势（小白必知）

1. 开箱即用：官方提供预训练好的模型，无需自己标注数据、训练模型；
2. 识别范围广：能识别 80 + 日常常见物体（人、猫、狗、车、杯子、椅子等）；
3. 速度快：普通电脑 CPU 也能运行，几秒出结果；
4. 结果直观：自动生成带标注框的图片，一眼能看懂识别效果。

---

二、第一步：环境准备（小白极简安装）

YOLOv8 的核心库是ultralytics，封装了所有模型调用逻辑，安装只需 1 行命令：

1. 安装依赖（Windows/Linux 通用，国内源加速）

打开 CMD / 终端，输入：

# 安装ultralytics（YOLOv8核心库）+ opencv（辅助读取图片）
pip install ultralytics opencv-python -i https://pypi.tuna.tsinghua.edu.cn/simple

2. 验证安装（确保无报错）

新建test_yolo.py文件，运行以下代码：

python

# 导入YOLO类
from ultralytics import YOLO

# 验证版本（无报错即安装成功）
print("YOLOv8库安装成功！")

运行后输出YOLOv8库安装成功！，说明环境没问题。

---

三、核心实操：一键调用 YOLOv8 识别图片中的物体

1. 核心逻辑（小白不用记，会用就行）

1. 加载官方预训练的 YOLOv8 模型（自动下载，首次运行稍慢）；
2. 传入你要识别的图片路径；
3. 模型自动识别物体，生成带标注框的图片并保存；
4. 输出识别结果（物体类别、位置、置信度）。

2. 完整代码（直接复制，仅需改图片路径）

python

from ultralytics import YOLO

model = YOLO("yolov8n.pt")
img_path = "D:\\Desktop\\2.png"

# 修改这一行 - 保存到D盘的AI_Projects文件夹
results = model.predict(
    source=img_path, 
    save=True, 
    conf=0.25,
    project="D:\\Desktop"
)

# 剩下的代码完全不变
for result in results:
    for box in result.boxes:
        cls_name = result.names[int(box.cls)]
        confidence = round(float(box.conf), 4)
        x1, y1, x2, y2 = map(int, box.xyxy[0])
        print(f"识别到：{cls_name} | 置信度：{confidence} | 位置：({x1},{y1})-({x2},{y2})")

print(f"\n图片已保存到：{results[0].save_dir}")

3. 操作步骤

1. 把代码中的img_path替换成你本地图片的绝对路径（比如C:\Users\张三\Desktop\猫狗.jpg）；
2. 运行代码（首次运行会自动下载yolov8n.pt模型文件，约 6MB，耐心等待）；
3. 等待几秒，终端会输出识别结果，同时自动生成标注后的图片。

---

四、结果解读（小白一看就懂）

1. 终端输出示例（识别到猫、狗、人）

image 1/1 D:\Desktop\2.png: 640x512 1 dog, 77.0ms
Speed: 3.0ms preprocess, 77.0ms inference, 1.0ms postprocess per image at shape (1, 3, 640, 512)
Results saved to D:\Desktop\predict
识别到：dog | 置信度：0.8711 | 位置：(14,93)-(799,961)

图片已保存到：D:\Desktop\predict

• cls_name：识别出的物体名称（YOLOv8 默认支持 80 类，比如 person = 人、cat = 猫、dog = 狗、car = 汽车、chair = 椅子等）；
• confidence：置信度（0.9876 表示 98.76% 确定是猫，值越高越准确）；
• 位置：方框的左上角和右下角坐标，对应图片里物体的位置。

2. 标注图片查看

运行后，你的代码所在文件夹会生成D:\Desktop\predict目录，里面有标注后的图片：

• 图片里的物体被红色方框框住；
• 方框上方会显示 “类别名称 + 置信度”（比如dog 0.87）；
• 直接打开图片就能直观看到识别效果。

---

五、小白扩展：识别视频 / 摄像头实时识别（可选）

YOLOv8 不仅能识别图片，还能识别视频、甚至摄像头实时画面，只需改source参数：

1. 识别本地视频

python

# 替换img_path为视频路径（如C:\Users\XXX\Desktop\test_video.mp4）
img_path = "D:\\Desktop\\3.mp4"

运行后会生成标注后的视频文件，保存在D:\Desktop\predict2\中（如果之前图片是在predict中，这次运行会新建一个predict2目录）。

2. 摄像头实时识别

运行后会弹出实时画面窗口，摄像头拍到的物体都会被实时框出并标注类别。

---

六、小白避坑指南（核心 3 点）

1. 模型下载失败 / 慢：

   • 解决方案：手动下载yolov8n.pt（官网：https://github.com/ultralytics/assets/releases），放到代码同目录，模型会优先读取本地文件；
   • 或配置国内镜像（百度搜 “ultralytics 国内镜像”，复制配置代码）。

2. 图片识别失败（提示 “no images found”）：

   • 检查图片路径是否正确，路径不要有中文 / 空格（比如C:\桌面\猫狗.jpg改为C:\desktop\cat_dog.jpg）；
   • Windows 路径用双反斜杠（\\）或加 r（r"C:\desktop\cat_dog.jpg"）。

3. 识别结果差（漏识别 / 错识别）：

   • 调高置信度阈值（比如conf=0.5，只保留 50% 以上置信度的物体，减少误识别）；
   • 换更大的模型（比如yolov8s.pt，识别更准但速度稍慢）；
   • 确保图片清晰，物体占比不要太小。

---

总结

1. YOLOv8 是开箱即用的目标检测工具，小白无需懂原理，只需调用官方预训练模型就能识别图片中的猫、狗、人等 80 + 物体；
2. 核心流程：安装ultralytics库 → 加载yolov8n.pt模型 → 调用predict()传入图片路径 → 查看终端结果和标注后的图片；
3. 关键参数：save=True保存标注图片，conf=0.25设置置信度阈值，source指定识别源（图片 / 视频 / 摄像头）；
4. 避坑重点：图片路径无中文 / 空格、首次运行耐心等模型下载、识别效果差可调整置信度或换稍大模型。