一、前言本文为初学者提供思路同时为自己后续能够回头翻阅本文方法通用于其他yolo模型。二、软件准备这里用到是是Pycharm和MiniforgePyCharm 是 Python 开发最常用的集成开发环境IDE。Miniforge 是一个轻量级的 Python 环境和包管理器可以看作是 Anaconda 的开源免费替代品。自行查阅资料下载最新版本的软件。下载后的Miniforge可能打不开需要添加环境变量path添加环境变量D:\miniforgeD:\miniforge\ScriptsD:\miniforge\Library具体的位置再进行对应的更改。三、Miniforge 包管理在这里需要在Miniforge中创建2个环境当然放同一个也可以但为了方便管理和之后的使用还是分为2个包。一个是labelme这是为了标注数据的。一个是存放yolov8-seg运行所依赖的包这里给到指令为创建labelme环境 conda create -n labelme python3.6 激活环境 conda activate labelme 安装labelme所需要的依赖环境 conda install pyqt conda install pillow 安装labelme pip install labelme3.16.2这样后创建了一个labelme的环境之后打开labelme都需要在这个环境里应该所需要的包都在这个环境。之后就能打开标注软件怎么进行数据的标注可以自行查询。第二步yolo环境的搭建在labelme环境中转换到网上下载的yolo实例代码带setup.py的目录下。创建conda create -n yolov8 python3.8 查看conda env list conda activate yolov8 切换阿里云 pip config set global.index-url https://mirrors.aliyun.com/pypi/simple/ 安装依赖包 pip install -e . 安装 CMake conda install cmake -y 安装 ONNX 相关包 pip install onnx onnxruntime onnxsim至此这个yolov8环境拥有了模型训练所需的所有依赖包。四、模型训练用Pycharm打开下载的yolo实例代码同时将pycharm的环境转换为yolov8的环境自此你就可以在pycharm中通过自己标注的数据集进行模型训练了。这里的yolov8-seg.yaml为模型运行工程中进行的各类操作后续可以对其进行修改使其具备独特性。yolov8n-seg.pt是初始模型作用是使训练在一定的认知基础上进行训练提高效率。coco128-seg.yaml就是我们的训练集了大致内容可以是这样。里面包括的训练集、验证集、测试集的存放位置以及类型。运行后代码会在yolov8-seg\ultralytics\runs\segment目录下生成它的.pt文件这是pytroch的文件需要将其转换为onnx文件。可直接通过代码实现。from ultralytics import YOLO # 加载分割模型 model YOLO(D:/python/yolov8-seg/.venv/yolov8-seg/ultralytics/runs/segment/train8/weights/best.pt) # 分割模型 # 转换为ONNX model.export( formatonnx, imgsz320, opset18, simplifyTrue, dynamicFalse # 固定输入尺寸 )自此模型已经训练完成。