循环编织时间年轮，递归叩问存在本质，谁能在硅基荒原上，种出思想的玫瑰……

本文主要记录笔者亲自测试的使用GPU进行YOLO模型训练的过程，包括安装CUDA，cuDNN，pytorch的笔记记录。PyTorch、CUDA 和 cuDNN 在深度学习领域尤其是 YOLO 模型训练中发挥着至关重要的作用，它们相互协作，共同推动了深度学习模型的高效训练和广泛应用。PyTorch 作为开源的机器学习库，凭借其动态计算图、易用性与灵活性以及强大的社区支持，为开发者提供了一个高效且灵活的平台来构建和训练深度学习模型。

我们重新编制了对图片的引用路径，如果你也正在使用YOLOv8模型，可以将以下代码直接拷贝下来，在你的结果目录（与模型结果图片同级目录）新建一个HTML文档，将代码粘贴进去，在浏览器打开该HTML文件，就能看到你的结果图片在网页中的调用，结合文字解释帮助你快速分析模型结果。

本文基于笔者使用的YOLOv8模型训练结果文件编制而成，主要对各结果图片的含义和指标进行解析理解，便于掌握使用YOLO。YOLOv8是Ultralytics团队于2023年推出的新一代实时目标检测模型，其在继承YOLO系列高效特性的基础上，通过多项技术创新实现了精度与速度的突破。该模型支持目标检测、实例分割、姿态估计等多任务处理，并具备高度灵活的开发接口，成为工业与科研领域的热门选择。

配置文件用于定义数据集的结构和类别信息。这里列出几种常见的写法和示例，在正式训练时需要根据实际需求正确配置。虽然 YOLO 通常使用列表格式定义类别名称，但某些版本可能支持字典格式。不过，建议使用列表格式以确保兼容性。这是最常见的写法，使用相对路径来指定训练集、验证集和测试集的路径。如果项目需要在不同环境中运行，可以使用绝对路径来指定数据集的位置。如果需要同时使用多个数据集（例如，分别训练和验证），可以在。如果项目中没有测试集，可以省略。

以上划分方式可根据项目需求选择，参考Ultralytics官方文档或开源脚本快速实现。

YOLO数据集目录划分主要有文件夹划分和txt索引文件划分两种方式，对应的data.yaml配置有所不同。对于正式项目，使用文件夹划分方式，结构更清晰对于快速实验，可以使用txt索引文件方式始终验证数据集路径和标签文件是否正确注意不同YOLO版本的特殊配置要求通过合理的数据集划分和正确的data.yaml配置，可以确保YOLO模型训练过程顺利进行。

YOLOv8 模型训练完成后，会生成一系列结果文件，这些文件为模型的评估和后续优化提供了重要依据。权重文件夹（weights）：包含训练过程中生成的模型权重文件，如best.pt和last.pt。best.pt保存了训练过程中性能最佳的模型权重，而last.pt则保存了最后一次训练的结果。这些权重文件是模型进行推理和进一步训练的基础。混淆矩阵（confusion_matrix.png 和 confusion_matrix_normalized.png）：混淆矩阵是评估分类模型性能的重要工具。

使用Precision-Recall曲线计算的面积，mAP@[.5:.95]表示在不同IoU阈值下的平均mAP，综合考虑了模型在不同精度和召回率条件下的性能，是目标检测任务中常用的评价指标。- 当RCC图中曲线在较高置信度水平下呈现较高召回率时，说明算法在目标检测时能够准确地预测目标的存在，并在过滤掉低置信度的预测框后依然能够维持高召回率，反映了算法在目标检测任务中的良好性能。- RCC图中曲线的斜率越陡峭，表示在过滤掉低置信度的预测框后，获得的召回率提升越大，从而提高模型的检测性能。

PyCharm中创建、配置和管理虚拟环境，可以确保每个项目都有独立的依赖项，从而提高开发效率和项目的可移植性。接下来介绍一下pycharm虚拟环境的目录介绍以及搭建和管理办法。

最近在学习yolov8进行图片检测，项目将使用YOLOv8进行图片的损伤检测，数据集在dataset文件夹里，、包含测试集test，训练集train，验证集valid。classes.txt是损伤分类文件，data.yaml是相关配置文件。model文件夹下的yolov8n.pt是一个原始模型。使用yolov8构建训练模型，测试模型，验证模型并实现模型部署的完整代码。在安装ultralytics时直接pip安装太慢，故记录使用镜像源快速安装的办法。

YOLOv8模型的损失函数是衡量模型预测值与真实值之间差异的关键工具，它在模型训练过程中起到了至关重要的作用。定位损失（Box Loss，合记为box_loss）：定位损失用于衡量预测框与真实框之间的误差，通常采用 GIoU（Generalized Intersection over Union）损失函数来计算。GIoU损失不仅考虑了预测框与真实框的重叠面积，还考虑了它们的形状和大小。定位损失的值越小，表示预测框与真实框之间的误差越小，模型对目标的定位越准确。

启动 PyCharm 后，选择 “File” 菜单中的 “New Project” 选项，这将打开一个窗口，用于设置新项目的相关参数。在弹出的 “New Project” 窗口中，找到 “New environment using” 选项，从下拉菜单中选择 “Virtualenv”，这将创建一个独立的 Python 虚拟环境，用于安装和管理 YOLOv8 所需的 Python 包，避免与系统全局的 Python 环境或其他项目环境发生冲突。在 “New Project” 窗口中，指定项目的保存路径，通常可以

本文将根据笔者实际经验来介绍YOLO数据集配置与目录划分，包括数据集配置文件dataset.yaml的详细解析。全面的YOLO项目目录框架，可支持使用多种数据集、训练多种模型。对于部署大型训练项目使用。还有单个项目或但数据集目录划分。

使用相对路径（如../）是为了让项目结构更加灵活和可移植。你可以根据项目的实际目录结构调整路径配置，确保路径指向正确。

03 从labeme标注的json文件提取标签label类别class脚本（w_extract_json_label.py）01 labelme json 转 txt（w_convert_labelme_to_yolo.py）02 检查图片和标签文件是否对应python脚本（w_check_img_to_label.py）04 重置图片格式大小【脚本存在一些问题】（w_resize_train_images.py）