YOLOv8 是 Ultralytics 公司最新推出的计算机视觉模型系列，它支持对象检测、图像分割、分类等多种任务。本指南将介绍如何使用 YOLOv8 的分类功能来训练一个能够区分香蕉成熟度的模型。将使用 Roboflow Universe 上的香蕉数据集来训练模型。
步骤 1: 安装 Ultralytics pip 包
在开始训练模型之前，需要安装 ultralytics pip 包。ultralytics 是 YOLOv8 的官方 pip 包，SDK 提供了一系列 Python 方法用于训练、评估和运行 YOLOv8 方法的推理。与之前的 YOLO 模型不同，将直接在 Python 代码中进行训练，而不是通过命令行运行脚本。
要安装 ultralytics pip 包，请运行以下命令：
pip install ultralytics
步骤 2: 上传数据集到 Roboflow
现在已经安装了 ultralytics 包，准备开始准备数据集进行训练。在这个指南中，将训练一个模型来检测香蕉是否成熟或过熟。将使用 Roboflow Universe 上的香蕉成熟度分类数据集。可以在这个指南中使用任何喜欢的数据！
首先，创建一个免费的 Roboflow 账户。转到香蕉成熟度数据集的 Universe 数据集页面，点击侧边栏中的 "数据集"，然后点击 v1 选项：
这个数据集比其他的要小，所以训练会更快（尽管会有准确性的权衡）。然后，将数据集下载为 ZIP 文件：
接下来，转到 Roboflow 控制面板并创建一个新项目。当被要求指定项目类型时，选择 “单标签分类”：
接下来，将图像拖入 Roboflow 平台：
如果图像尚未标记，可以在 Roboflow Annotate 中标记它们，这是图像注释解决方案。将通过一个流程来批准注释并将它们添加到 Roboflow 平台上的数据集中。有了标记好的图像，点击 Roboflow 项目侧边栏中的 “生成” 以生成版本。
对于本指南，将保留所有配置选项的默认值，这将为提供一个良好的起点。在训练了第一模型之后，可以参考预处理和增强指南尝试不同的增强选项。点击 “生成”。这将调整图像大小，并确保数据准备好用于模型。现在有一个注释好的数据集，准备用于模型。
步骤 3: 训练 YOLOv8 分类模型
首先，让从 Roboflow 下载数据，以便可以在项目中使用它：
from roboflow import Roboflow
rf = Roboflow(api_key="YOUR_API_KEY")
project = rf.workspace().project("YOUR_PROJECT_ID")
dataset = project.version(1).download("folder")
用与项目相关的值替换 API 密钥和项目 ID。可以从项目元数据和 API 密钥指南中找到这些值。接下来，可以使用 Ultralytics pip 包加载一个预训练的模型。将使用预训练的模型作为起点来训练自定义模型：
model = YOLO("yolov8n-cls.pt")
model.train(data="/full/path/to/dataset/", epochs=20)
在这段代码中，下载了在 ImageNet 上预训练的YOLOv8分类模型的权重。这为提供了一个基础点，可以从中训练香蕉成熟度检测模型。接下来，训练模型。选择了 20 个周期进行训练，这将足够示例。
建议尝试这个数字以帮助实现最佳的模型性能。训练作业默认运行的周期数是 100，但已将其减少到 20，以便在更短的时间内训练模型。训练步骤将在 GPU 上根据训练的硬件以及是否更改了周期值，需要几十分钟到一个小时。可以在等待的时候去泡一杯茶或咖啡！
训练完成后，可以进行测试和评估模型！
步骤 4: 测试和评估模型
在进行全面评估之前，让在示例图像上测试模型：
results = model("./Banana-Ripeness-1/valid/freshripe/musa-acuminata-banana-ad75a3ca-394a-11ec-bd23-d8c4975e38aa_jpg.rf.9a0901469c07274fc8cbc92f1b256b85.jpg")
对于结果中的每一个，有：
for result in results:
probs = list(result.probs)
classes = result.names
highest_prob = max(probs)
highest_prob_index = probs.index(highest_prob)
print(f"Class: {classes[highest_prob_index]}")
代码返回：
Class: freshripe
这张图像在验证数据集中被分类为 freshripe。模型成功地识别了运行推理的图像的类别。现在，让使用YOLOv8提供的 val() 函数来查看显示模型性能的指标：
metrics = model.val()
这将在 runs/classify/val 目录中保存各种评估结果。例如，有一个混淆矩阵显示了 val 集或如果没有找到，则是 test 集的模型性能。可以使用以下代码绘制这张图像：
from google.colab.patches import cv2_imshow
import cv2
cv2_imshow(cv2.imread("./runs/classify/val/confusion_matrix.png"))
如果在 Google Colab 之外运行，可以使用 cv2.imshow() 而不使用 Colab 补丁。需要使用 Colab 补丁，因为 Colab 不支持 cv2.imshow() 函数。这是模型的混淆矩阵：
保存和部署模型
一旦完成了YOLOv8模型的训练，将有一组训练好的权重准备使用。这些权重将位于项目的 /runs/classify/train/weights/best.pt 文件夹中。可以将模型权重上传到 Roboflow Deploy 进行自动标记、自动扩展推理和稍后使用。
Roboflow pip 包中的 .deploy() 函数支持上传 YOLOv8 权重。只能在 Roboflow 中使用 deploy 函数部署自己的项目。运行以下代码以保存模型权重：
project.version(dataset.version).deploy(model_type="yolov8-cls", model_path=f"{HOME}/runs/classify/train/")
要了解更多关于上传自定义模型权重的信息，请参考 Roboflow 上传模型权重指南。一旦模型权重上传，它们将通过 Roboflow 托管的 API 可供访问。还可以使用 Roboflow Inference，一个开源的计算机视觉推理服务器，在自己的硬件上部署模型。
YOLOv8 是 Ultralytics 公司最新推出的计算机视觉模型系列，它支持对象检测、分类和图像分割等多种任务类型。YOLOv8 提供了 Python SDK 和命令行工具，通过这些工具可以训练和验证 YOLOv8 模型。