使用YOLOv8训练数据集（使用Anacanda创建虚拟环境）

概念介绍：Anacanda的介绍，YOLOv8的介绍

一、Anaconda概述

Anaconda指的是一个开源的Python发行版本，其包含了Conda、Python等180多个科学包及其依赖项，可以说安装了Anacanda就可以不用安装python了，Anaconda的作用就是整合依赖和分虚拟环境，因为有些代码需要的依赖的版本不同，而Anaconda可以将这些不同的版本隔离开来创建属于自己的独特的虚拟环境。

二、Conda概述

Conda是Anaconda能够创建虚拟环境的关键所在，Conda的作用就是创建虚拟环境。Conda将几乎所有的工具、第三方包都当做package对待，甚至包括python和conda自身！因此，conda打破了包管理与环境管理的约束，能非常方便地安装各种版本python、各种package并方便地切换。

 三、YOLO概述（YOLO的前世与今生）

YOLOV1：

在2015年提出，是一种将目标检测任务转换为单一回归问题的创新方法，基于卷积神经网络。

卷积神经网络：拥有三层架构：卷积层，池化层，全连接层

YOLOV2：

也叫yolo9000，对yolo的方法进行优化，可以对9000多个物体进行识别。

YOLOV3：

设置多个输出源

提问：我们在做图像识别时，是小的物体好识别还是大的物体好识别？

答案：大的好识别。

原因：在图像识别时，使用的是卷积神经网络，大的卷积是小的卷积卷出来的，一张大图片是由一快快的图片拼凑成的，一块图片是由一个个像素点拼凑成的，就像这样：

所以大的物体比小的物体好识别的多，那么小的物体就不识别了吗？不是，yolov3创建了多个输出源，什么意思，意思是卷积网络在一层一层的加层之中，在每一层中都加上了一个输出，就像这样：

YOLOV4与YOLOV5:

借用了其他模型的特征汲取技术，如DropBlock，mosaic马赛克数据增强，label_smoothing标签平滑，CBAM轻量级的卷积注意力模块

 DropBlock：

在图片上加上随机的噪点，遮住一些像素点，或者集中在一起，遮住一些主要特征前来训练。

mosaic马赛克数据增强：

数据增强方法是YOLOV4论文中提出来的，主要思想是将四张图片进行随机裁剪，再拼接到一张图上作为训练数据。这样做的好处是丰富了图片的背景，并且四张图片拼接在一起变相地提高了batch_size。

 label_smoothing标签平滑：

label_smoothing: 标签平滑（label smoothing）。标签平滑是一种正则化技术，用于减少模型对训练数据的过拟合程度。在下图1中模型的比重鸟为1，其他的为0，意思是模型不是鸟的通通都是错误图片，但其实这是不对的，容易产生过拟合，并且对于模型的泛化能力也有影响，正确的做法应该将比重分散开来，如下图2.

CBAM：

轻量级的卷积注意力模块，简单来说就是注意力机制，不同的图片要提取的特征，注意的模块的不同，如鸟要注意头、翅膀、脚，车要注意轮子、车头、车身等等

 YOLOV6与YOLOV7:

推理加速，使用了RepVGG是基于VGG网络实现的，VGG：是一种深度卷积神经网络，使用多个3x3的卷积核堆叠来代替大尺寸的卷积核