Ubuntu下搭建YOLOv8训练环境

发表于 更新于

一、前言

YOLOv8作为Ultralytics推出的新一代目标检测模型，凭借高精度、高效率的核心优势，广泛应用于各类计算机视觉任务。本文将从环境前置检查、驱动适配、依赖安装，到数据集制作、模型选型、训练调参，完整拆解Ubuntu系统下YOLOv8训练环境的搭建全流程，兼顾新手友好性与实操性，帮助开发者快速搭建稳定、高效的训练环境，顺利开展目标检测任务。

二、环境前置检查与显卡驱动适配

2.1 查看显卡信息与CUDA版本兼容性

在Ubuntu终端中执行以下命令，可快速查看显卡型号、当前驱动版本及显卡支持的最高CUDA版本，为后续环境配置提供依据：

1
nvidia-smi

输出结果需重点关注两个核心信息：

  • Driver Version：显卡驱动版本，直接决定可安装的CUDA Toolkit版本，驱动版本过低会导致CUDA无法正常运行；

  • CUDA Version：此处显示的是显卡原生支持的最高CUDA版本（非已安装版本），后续安装的CUDA版本不得超过该数值。

版本对应规则：

参考NVIDIA官方文档（https://docs.nvidia.com/cuda/cuda-toolkit-release-notes/index.html），显卡驱动与CUDA Toolkit需严格匹配，以下为常用适配组合（供参考）：

  • Driver Version ≥ 530.30.02 可支持 CUDA 12.1；

  • Driver Version ≥ 450.80.02 可支持 CUDA 11.0。

2.2 安装/更新显卡驱动（可选）

若通过上述命令查询到驱动版本过低，无法满足目标CUDA版本需求，可通过以下步骤安装NVIDIA官方驱动，确保环境兼容：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
# 添加NVIDIA官方驱动源
sudo add-apt-repository ppa:graphics-drivers/ppa
sudo apt update

# 查看系统推荐的驱动版本（优先选择推荐版本）
ubuntu-drivers devices

# 安装推荐驱动（将535替换为实际推荐版本号）
sudo apt install nvidia-driver-535
# 重启系统使驱动生效
sudo reboot

# 重启后验证驱动安装是否成功
nvidia-smi

三、基于Conda搭建YOLOv8基础环境

3.1 安装Anaconda/Miniconda

为避免环境冲突，推荐使用Miniconda（轻量版Anaconda）管理虚拟环境，下载及安装步骤如下：

1
2
3
4
5
6
# 下载Miniconda安装包（Linux x86_64架构）
wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh
# 执行安装脚本，按提示完成安装（全程默认回车即可，最后一步输入yes确认）
bash Miniconda3-latest-Linux-x86_64.sh
# 重启终端，使conda命令生效
source ~/.bashrc

3.2 创建并激活Conda环境

创建专门用于YOLOv8训练的虚拟环境，隔离依赖包，避免与系统环境冲突：

1
2
3
4
5
# 创建python3.12虚拟环境（建议Python版本≥3.8，适配YOLOv8最新版本）
conda create -n yolov8_env python=3.12 -y

# 激活虚拟环境（后续所有操作均需在该环境下执行）
conda activate yolov8_env

3.3 安装PyTorch（适配CUDA版本）

PyTorch是YOLOv8的核心依赖，需根据前文确认的CUDA版本选择对应安装命令。为解决官方源下载速度慢、易中断的问题，优先使用清华源加速，具体步骤如下：

3.3.1 配置清华源（临时加速，无需永久修改）

在当前终端临时配置清华源，仅对本次PyTorch及依赖包安装生效，不影响后续环境配置：

1
2
# 配置清华源作为临时下载源，加速依赖包下载
pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple

3.3.2 安装对应CUDA版本的PyTorch

以CUDA 12.1为例（最常用版本，适配多数显卡），执行以下命令安装，已适配清华源，下载速度大幅提升：

1
pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121

若仅用于调试，无需GPU加速（不推荐用于实际训练，速度极慢），执行以下CPU版本安装命令：

1
pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cpu

说明：清华源主要加速PyTorch的依赖包（如numpy、pillow等）下载，PyTorch主程序仍从官方whl源获取，既保证下载速度，又能确保版本与CUDA完美适配，避免出现兼容性问题。

3.4 安装YOLOv8核心依赖

安装YOLOv8运行所需的核心依赖包，确保模型训练、预测功能正常：

1
2
3
4
5
6
# 安装opencv-python（用于图像处理、视频读取等功能）
pip install opencv-python

# 安装ultralytics（YOLOv8核心库，包含所有模型及训练工具）
pip install ultralytics
pip install yolo

3.5 环境验证

环境搭建完成后，执行以下命令验证是否正常可用，快速排查配置问题：

1
yolo predict model=weights/yolov8n.pt source="https://ultralytics.com/images/bus.jpg"

若终端输出以下信息，且在当前目录下的runs/detect/predict文件夹中生成标注后的bus.jpg图片，说明环境搭建成功，可正常开展后续训练任务：

1
2
Ultralytics YOLOv8.2.58 🚀 Python-3.12.4 torch-2.3.1+cu121 CUDA:0 (NVIDIA GeForce GTX 1060 3GB, 3072MiB)
YOLOv8n summary (fused): 168 layers, 3,151,904 parameters, 0 gradients, 8.7 GFLOPs

四、自定义目标检测数据集制作

4.1 数据集目录结构（YOLO格式）

YOLOv8训练需严格遵循指定的数据集目录结构，否则会导致模型无法读取数据，推荐结构如下（清晰易维护）：

1
2
3
4
5
6
7
8
|-- datasets
|   |-- custom_dataset          # 自定义数据集根目录（可修改为自己的数据集名称）
|   |   |-- images              # 图片存放目录（所有训练、验证图片均在此文件夹下）
|   |   |   |-- train           # 训练集图片（占比80%左右）
|   |   |   |-- val             # 验证集图片（占比20%左右）
|   |   |-- labels              # 标签存放目录（与images目录结构完全对应）
|   |   |   |-- train           # 训练集标签（.txt格式，与训练图片一一对应）
|   |   |   |-- val             # 验证集标签（.txt格式，与验证图片一一对应）

4.2 安装LabelImg标注工具

使用LabelImg工具进行目标标注，操作简单、支持YOLO格式，安装命令如下（沿用清华源加速，快速完成安装）：

1
2
3
4
5
# 安装LabelImg标注工具（清华源加速，避免下载超时）
pip install labelimg -i https://pypi.tuna.tsinghua.edu.cn/simple

# 启动LabelImg工具，开始标注
labelimg

4.3 标注流程（新手友好）

  1. 打开LabelImg后，点击左上角「Open Dir」，选择待标注图片所在的文件夹（如custom_dataset/images/train）；

  2. 点击左上角「Change Save Dir」，选择标签保存路径（需与图片路径对应，如custom_dataset/labels/train）；

  3. 点击左侧工具栏「Create Box」（快捷键W），拖动鼠标绘制目标边界框，输入目标类别名称（如cat、dog）；

  4. 标注完成后，点击「Save」（快捷键Ctrl+S），每张图片会自动生成对应的.txt标签文件，同时在标签目录下生成classes.txt，记录所有标注类别及顺序（不可随意修改）。

4.4 划分训练集/验证集

若标注完成后未划分训练集与验证集，可通过以下Python脚本随机划分（按8:2比例，适配多数场景），脚本以VOC格式为例，直接运行即可：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
# voc_split_train_val.py
import os
import random
from pathlib import Path

# 配置路径（需根据自己的数据集路径修改）
img_dir = Path("datasets/custom_dataset/images")
train_txt = Path("datasets/custom_dataset/train.txt")
val_txt = Path("datasets/custom_dataset/val.txt")

# 读取所有图片文件（仅读取.jpg格式，若为其他格式可修改后缀）
imgs = [f.stem for f in img_dir.glob("*.jpg")]
random.shuffle(imgs)  # 随机打乱图片顺序，确保划分均匀

# 划分比例：训练集80%，验证集20%（可根据数据集大小调整）
train_num = int(len(imgs)*0.8)
train_imgs = imgs[:train_num]
val_imgs = imgs[train_num:]

# 将划分结果写入txt文件，供模型读取
with open(train_txt, "w") as f:
    f.write("\n".join(train_imgs))
with open(val_txt, "w") as f:
    f.write("\n".join(val_imgs))

执行脚本，完成训练集与验证集划分：

1
python voc_split_train_val.py

4.5 编写数据集配置文件（.yaml）

YOLOv8训练需通过.yaml配置文件读取数据集信息，在datasets目录下创建custom_dataset.yaml，内容如下（需根据自己的数据集修改）：

1
2
3
4
5
6
7
8
9
10
11
# 类别数量（根据自己的标注类别修改，示例为2类）
nc: 2  # 示例：检测cat（猫）、dog（狗）两类目标
# 数据集根目录（建议使用绝对路径，避免路径错误，替换为自己的数据集路径）
path: /home/user/datasets/custom_dataset
# 训练集、验证集图片路径（相对path的路径，无需修改，与前文目录结构对应）
train: images/train
val: images/val
# 类别名称（与classes.txt中的类别顺序一致，不可乱序）
names:
  0: cat
  1: dog

五、YOLOv8模型选型与性能对比

YOLOv8提供5种不同尺寸的模型，分别适配不同算力场景（从入门边缘设备到高端GPU），核心性能参数对比及选型建议如下，方便开发者根据自身硬件条件和精度需求选择：
Model 输入尺寸(pixels) Top1准确率 Top5准确率 CPU推理速度(ms) A100 TensorRT速度(ms) 参数量(M) FLOPs(B)@640
YOLOv8n-cls 224 66.6 87.0 12.9 0.31 2.7 4.3
YOLOv8s-cls 224 72.3 91.1 23.4 0.35 6.4 13.5
YOLOv8m-cls 224 76.4 93.2 85.4 0.62 17.0 42.7
YOLOv8l-cls 224 78.0 94.1 163.0 0.87 37.5 99.7
YOLOv8x-cls 224 78.4 94.3 232.0 1.01 57.4 154.8

选型建议（贴合实际应用场景）：

  • 入门学习/边缘设备（如树莓派、低端笔记本）：优先选择YOLOv8n，参数最少、速度最快，满足基础检测需求；

  • 日常项目/平衡需求（如普通PC、中端GPU）：选择YOLOv8s/YOLOv8m，兼顾检测精度与速度，适配多数场景；

  • 高性能需求/精准检测（如服务器、高端GPU）：选择YOLOv8l/YOLOv8x，精度最高，适合对检测效果要求严格的任务（需充足显存支持）。

六、YOLOv8核心训练/预测参数配置

YOLOv8训练和预测的核心参数可通过命令行直接调整，以下详细说明各参数的默认值、核心作用及调参建议，帮助开发者快速优化模型性能，避免踩坑。

6.1 训练参数（train）
参数 默认值 核心说明 调参建议
model None 指定预训练模型路径（如yolov8m.pt），用于迁移学习 小数据集优先用小模型（如yolov8n.pt），减少过拟合；大数据集可选用大模型
data None 指定数据集配置文件路径（如custom_dataset.yaml） 必须指定，建议使用绝对路径，避免路径错误导致训练失败
epochs 100 训练周期，即模型遍历整个数据集的次数 小数据集（<1k张）设20-50，大数据集设100-300；结合patience参数防止过拟合
batch 16 每批训练的图像数量（-1为自动适配GPU显存） 根据GPU显存调整：1060(3G)设4-8，3090(24G)设32-64；显存不足时减小批次
imgsz 640 输入模型的图像尺寸（需为32的倍数） 建议与数据集图片尺寸接近，最大不超过GPU显存限制；尺寸越大，精度越高但速度越慢
device None 指定训练设备（0为第1块GPU，cpu为CPU） 优先使用GPU训练，CPU仅用于调试；多GPU可指定0,1,2
lr0 0.01 初始学习率，决定模型收敛速度 小数据集可降低至0.001，防止过拟合；学习率过高会导致不收敛
weight_decay 0.0005 权重衰减，用于正则化，防止模型过拟合 过拟合时增大至0.001，欠拟合时减小至0.0001；避免设置过大导致欠拟合
patience 50 提前停止训练的等待周期（验证集性能无提升时） 建议设为20-30，加速训练收敛，避免无效训练占用资源
label_smoothing 0.0 标签平滑，减少标签标注误差带来的过拟合 多类别任务设0.1，单类别任务设0；标注误差大时可适当增大

6.2 预测参数（predict）
参数 默认值 核心说明 调参建议
source ultralytics/assets 指定预测数据源（图片、视频、文件夹路径） 需指定绝对路径，避免路径错误；支持网络图片、本地文件
conf 0.25 置信度阈值，仅保留置信度高于该值的检测框 高精准需求（如检测关键目标）设0.5-0.7；全覆盖需求（如人群检测）设0.1-0.2
iou 0.7 NMS交并比阈值，用于去除重叠检测框 重叠目标多（如人群、密集车辆）设0.3-0.5；稀疏目标设0.7-0.9
max_det 300 单张图片的最大检测目标数量 按实际场景调整：检测车辆设50，检测人群设200，避免遗漏目标
save_txt False 是否将检测结果保存为.txt标签文件（与训练标签格式一致） 需要后续分析检测结果、二次标注时设为True

6.3 训练命令示例（直接复制可用）

结合上述参数，提供两种常用训练命令示例，适配不同场景需求：

1
2
3
4
5
# 基础训练命令（适合新手，参数保守，适配多数场景）
yolo train model=yolov8s.pt data=custom_dataset.yaml epochs=50 batch=8 imgsz=640 device=0

# 进阶训练命令（调整学习率+提前停止，避免过拟合，适合大数据集）
yolo train model=yolov8m.pt data=custom_dataset.yaml epochs=100 batch=16 lr0=0.005 patience=30

七、总结

本文完整覆盖了Ubuntu系统下YOLOv8训练环境的搭建全流程，从环境前置检查、显卡驱动与CUDA适配，到基于Conda的虚拟环境搭建、自定义数据集制作，再到模型选型、核心参数调优，每一步均兼顾实操性与新手友好性，帮助开发者避开常见坑点，快速搭建稳定高效的训练环境。

核心要点总结：

  1. 环境适配是基础：务必确保显卡驱动、CUDA、PyTorch版本严格匹配，这是模型正常训练的前提；

  2. 数据集是关键：严格遵循YOLO格式的目录结构，标注准确、类别清晰，避免因数据集问题导致训练失败；

  3. 调参是核心：根据数据集大小、GPU显存条件，合理调整batch、epochs、lr0等参数，平衡模型精度与训练速度；

  4. 模型选型按需而定：无需盲目追求大模型，结合自身硬件条件和检测需求，选择最适配的模型尺寸。

通过本文所述步骤，开发者可快速完成YOLOv8训练环境搭建，并顺利开展自定义目标检测任务，后续可根据实际检测效果进一步优化参数，提升模型性能。