✅步骤一：安装 PyTorch（M1 专用）

# 推荐使用官方 MPS 后端（Apple Metal 加速）

pip install torch torchvision torchaudio

确认是否使用了 Apple MPS：

import torch 
print(torch.backends.mps.is_available())

# True 表示支持

---

✅ 步骤二：安装 OpenCV（预编译版）

pip install opencv-python==4.8.0.76 

 

如仍失败，可以降级到更稳定的版本：

 

pip install opencv-python==4.6.0.66 

 

 

 

---

✅ 步骤三：安装 Ultralytics（YOLOv8）

这个会去依赖opencv

pip install ultralytics --no-binary opencv-python

或者，使用无依赖模式（跳过 OpenCV 的再次依赖）：

pip install ultralytics --no-deps 

 

---

✅ 步骤四：验证安装

yolo version 

 

如果输出了版本号（如 Ultralytics YOLOv8.1.26 等）说明一切正常。

 

---

✅ 测试 YOLOv8 是否能跑起来

你可以运行一个简单的预测命令测试模型：

yolo task=detect mode=predict model=yolov8n.pt source='https://ultralytics.com/images/bus.jpg'

这会下载一个图片并进行目标检测，自动弹出预测窗口（或保存预测图像）。

🔧 1、识别人物-整体流程总览

1. 准备数据集（图像 + 标注）

2. 数据集格式转换（转为 YOLO 格式）

3. 安装 YOLOv8（ultralytics）

4. 配置训练参数（模型、类别、路径）

5. 开始训练

6. 验证和测试

7. 部署使用

🧩 2、每一步分模块详解

---

📁 1. 数据采集与标注（图像和标注文件）

需要采集图像并对目标进行手动标注。

✅ 推荐免费标注工具（支持导出为 YOLO 格式）：

工具名	平台	特点说明
LabelImg	Windows / Mac / Linux	本地运行，轻量，支持 Pascal VOC 和 YOLO 格式
Roboflow	在线工具	免费计划支持上传图像、标注、自动转换格式
Labelme	Python 工具	支持多边形标注，也可导出为 COCO 格式
CVAT	在线部署或本地部署	适合大规模标注，功能强大，支持团队协作

👉 建议初学者使用 LabelImg 或 Roboflow，操作直观，输出格式直接支持 YOLO。

🔄 2. 转换数据集为 YOLO 格式

YOLO 格式标注样例如下（txt 文件）：0 0.5 0.5 0.2 0.3

格式说明：

[class_id] [x_center] [y_center] [width] [height]

都是相对坐标（比例，相对于图片大小）。

如果你标注格式不是 YOLO，需要转换，比如从 VOC / COCO → YOLO，可以使用：

• Roboflow 自动转换

• labelme2yolo 工具

• roboflow python 工具包

 

📁 3、 roboflow标注（图像和标注文件）

 

可以搜索教程怎么标记要训练的数据

✅ 3、开始训练识别和平精英人物识别

🔧 model.train() 常用参数解析

参数	类型	说明
data	str	数据集配置文件路径（例如 data.yaml）
epochs	int	训练轮数（epoch 数）
imgsz	int 或 tuple	输入图片尺寸，默认 640（可为整数或 (h,w) 元组）
batch	int	每批训练的图像数量，默认 16
device	int 或 str	使用的设备，例如 '0'（GPU0）、'cpu' 或 '0,1'
save	bool	是否保存模型（默认 True）
exist_ok	bool	是否允许覆盖已有运行目录
resume	bool	是否从上次训练中断处恢复
patience	int	如果验证指标在这么多 epoch 内不再提升，则提前停止训练（默认 50）
optimizer	str	选择优化器：SGD、Adam、AdamW（默认 SGD）
lr0	float	初始学习率（默认 0.01）
lrf	float	最终学习率与初始学习率的比值（默认 0.01）
momentum	float	动量参数（仅用于 SGD）
weight_decay	float	权重衰减（默认 0.0005）
workers	int	数据加载线程数（建议 0 或 2~8）
pretrained	bool 或 str	使用预训练模型（True 或权重路径）
project	str	日志文件保存路径
name	str	本次运行的名称，结果将保存在 runs/train/name/ 下
verbose	bool	显示更多训练信息
seed	int	设置随机种子以保证复现性

 

📌 数据集配置文件（data.yaml）结构：

from ultralytics import YOLO# 加载模型
model = YOLO("/Users/lianying/Desktop/yolo/yolov8n.pt")  # 你的模型路径# 开始训练
model.train(data="/Users/lianying/Desktop/yolo/pubg mobile.v2i.yolov8/data.yaml",  # data.yaml路径epochs=2,imgsz=640
)

 在使用 YOLOv8（如 Ultralytics YOLOv8）训练模型后，输出目录（通常是 runs/detect/train）中会生成两个主要的模型文件：

✅ best.pt

• 含义：在训练过程中，在验证集上表现最好的模型（通常指 mAP 值最高）。

• 用途：用于部署或实际推理时的首选模型。

• 保存时机：每轮训练后都会验证一次性能，若当前 mAP 更优于之前所有轮次，就保存为 best.pt。

---

✅ last.pt

• 含义：训练最后一轮保存的模型。

• 用途：

  • 若训练中断，可以从 last.pt 恢复继续训练；

  • 如果对 best.pt 不满意，也可以尝试 last.pt。

---

🛠 选择哪个用于推理？

文件名	适用场景	建议
best.pt	精度优先的推理部署	✅ 推荐使用
last.pt	继续训练、对比测试	可选（不推荐部署）

 

🛠 加载方式

使用 YOLO 类加载模型：

from ultralytics import YOLOmodel = YOLO("runs/detect/train/weights/best.pt")  # 加载最优模型