软件环境前期准备1.Anaconda的下载训练会在Anaconda Prompt上进行。B站的教程有许多我参考的是这个教程。【【2026最新】Anaconda下载、安装、环境配置Pycharm安装、激活、使用教程新手一条龙教程附安装包激活码-哔哩哔哩】2.Python的下载上面的视频教程已有含有python的配置。3.PyTorch的下载在Anaconda Prompt上下载如果电脑配置有GPU可以结合电脑配置选择最合适的版本比如NVIDIA RTX 5050选用CUDA 12.8 编译的 PyTorch 2.7.0。deepseek分析得出的结论可以参考这个视频下载。【【2026年最新版】Windows 安装 PyTorch避坑教程-哔哩哔哩】1.数据集的准备1数据标注在https://app.labelstud.io/进行分类标注(参考的是亚博智能的教程09.数据集标注【有锁】或者是搜labelstud的使用教程GitHub - HumanSignal/label-studio: Label Studio is a multi-type data labeling and annotation tool with standardized output format · GitHub)2数据集导出数据集具体怎么导出在labelstud的使用教程中有教学。导出来主要包含images、lables、classes.txt文件。2.下载YOLOv8m.pt可以在GitHub 上下载也可以在终端下载下载速度会慢一些也可以在网上找到YOLOv8m.pt放在与数据集同文件夹下。运行train.py等待Epoch的加载成功。在此过程开始前需要关注CPU的占有率不得超过80%使用GPU训练会比CPU快很多1个Epoch的737张数据集大概需要3536秒。温馨提示在挂机训练时记得调整电脑休眠时间YOLO 目标检测与分割 | Ultralytics建议提前下载在数据集目录下3.data.yamldata.yaml要注意文件的路径根据具体实际情况来进行修改# 数据集路径 path: C:/Users/zhou/Desktop/yolov8m/newone # 训练集和验证集路径 train: images val: images # 类别数量 nc: 4 # 类别名称 names: 0: broken 1: good 2: impurity 3: mildew4.train.pytrain可根据具体自己的需求来进行修改from ultralytics import YOLO # 1. 加载 YOLOv8m 预训练模型会自动从网络下载模型权重 model YOLO(yolov8m.pt) # 2. 开始训练针对你的 RTX 5050 和 16GB 内存优化 results model.train( datadata.yaml, # 数据集配置 epochs200, # 正式训练 200 轮737张图大约 1-2 小时跑完 batch8, # 你的显存/内存完全可以跑 batch8 imgsz640, # 输入分辨率 device0, # 【重点】设置成 0强制使用你的 RTX 5050 显卡 workers0, # Windows 下可以开 0线程加速读取数据 projectruns/detect, # 结果保存位置 nametrain_gpu, # 保存的文件夹名字 exist_okTrue, # 如果文件夹存在就覆盖 saveTrue, # 保存最好的一组模型权重 valTrue, # 每轮跑完跑一次验证 plotsTrue, # 画出训练趋势图 degrees15.0, # 数据增强随机旋转 translate0.1, # 数据增强平移 scale0.5, # 数据增强缩放 mosaic1.0 # 数据增强拼图极大弥补你图片只有737张的缺点 ) # 3. 训练完自动验证最终结果 metrics model.val() print( 验证结果, metrics )5.开始实操1在Anaconda Prompt创建pytorch虚拟环境conda create -n pytorch python3.132进入pytorch虚拟环境conda activate pytorch3进入项目根目录cd XXX(项目下数据集目录)4运行train.pypython train.py5等待Epoch加载完成这是训练完毕的项目框架best.pt文件是后面转换部署的关键。有不完整处可留言呀~