最近学的智能信息有学到YOLO训练模型，那么如何训练一个自己的模型呢，其实并不复杂。
下面我将基于助教学长的文档，加上我实际使用时的问题补充教程。
首先我们需要一些准备工作
项目文件：
https://wwte.lanzouy.com/iQK9a0we1p0d
https://wwte.lanzouy.com/iOZBk0we1oqd
https://wwte.lanzouy.com/iZWL00we260f 密码:aqzy
pycharm：
Download PyCharm: Python IDE for Professional Developers by JetBrains
训练图片：
准备一些训练图片，进行标注，作为我们的数据模型，我选择了两百张图片
可以使用potplayer连续截图功能将视频分割为图片，再从图片中剪切出不相似的人物，如图
这是一件很麻烦的事情，所以我将我的图片以及标签集上传提供使用
https://wwte.lanzouy.com/i30U20we6kmf
2.所有安装过程中提示是否安装，有y/n选择的，我们都要输入y并且回车。
例如：Proceed ([y]/n)? y
软件对硬盘无要求，机械硬盘或者固态硬盘均可。
使用pip安装软件时，后面-i 地址使用国内镜像，加上可以节省时间。
Pip install 安装包 -i https://pypi.tuna.tsinghua.edu.cn/simple
anaconda安装
我们需要安装anaconda，双击打开安装程序，下一步直到选择路径
这里不要在其他盘符新建文件夹，请务必使用默认的路径直接安装，否则可能会出现奇怪的bug
我们勾选如图选项，然后点击install安装。后续完成安装即可。
如果安装程序有提示失败，那么可以尝试完全卸载后再勾选最后一个选项安装
Yolov8解压
需要准备两个文件，分别为人工标注图片的程序和yolov8的源代码
我们将ultralytics-main.zip（这个文件夹就是yolov8的源代码）解压到容易找到的地方，稍后我们需要通过pycharm打开这个文件夹，解压完后，我们继续解压labelimg压缩包，可以解压到ultralytics-main文件夹里面。即，将labelimg项目放在ultralytics-main项目文件夹目录下，方便pycharm使用。
类似下面图片展示这样。
Pycharm中的yolov8项目配置环境
我们打开pycharm，打开文件夹
接下来我们设置编译器环境。按照下面图片的方向，我们设置使用anaconda，python版本我们统一选择3.8，然后点击确定。
然后重新启动pycharm进行镜像源设置
下面是一些镜像源，需要一条一条的添加进去。名称随意，授权默认无。
http://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
http://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge/
http://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/msys2/
http://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/bioconda/
http://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/全部添加进去后点击应用，确定。
我们接下来打开pytorch.org这个网站，按图所示，根据自身电脑情况选择对应的命令
例如我的电脑为windows系统，nVidia显卡，那么我就选择如下配置。
同级别显卡的训练速度约为CPU的40到60倍不等，如果支持请尽量选择显卡训练
复制这一条命令，然后进入pycharm的命令行，输入刚才的命令，我已经安装过了，就不在这演示了
这个时候会出现几种失败的情况，但多半提示http error，最好科学上网下载
我们再次回到pycharm主界面，会提示安装依赖包（其实一直都会提示，只不过这个时候我们才理会这个）。点击安装即可。
这里需要多等一会儿，如果安装卡主，可以退出pycharm重新打开会提示安装依赖包。重新点击即可。不过可能无法全部完成安装，会有一些包最终还是安装失败。我们使用下面的命令来安装。
pip install ultralytics -i https://pypi.tuna.tsinghua.edu.cn/simple我们继续在终端里输入命令，来运行下yolo的图像检测，看看是否真的成功了。命令如下。
yolo task=detect mode=predict model=yolov8n.pt conf=0.25 source='你想要检测的文件路径'
文件路径格式如下：E:/yolo/pic/3.mp4_20230507_204218.226.jpg执行后，我们看到会自动下载github上pt这个文件，并且开始进行图像检测。
运行结束后在ultralytics-main\runs\detect文件夹中会生成检测完成后的图片打开图片。
训练自己的数据集
下面我们来介绍安装labelimg，刚才我们已经把这个文件夹放在了ultralytics-main文件夹。
我们在pycharm中的终端，能看到当前输入命令的路径，这个路径我们需要修改到labelimg文件夹下的路径，需要一点windows命令。
cd 输入下一个文件夹的名字（中间有一个英文符号的空格）即可进入到下一个文件夹下面，cd..代表回到上一层目录。 C：代表进入c盘根目录
我们定位到labelimg文件夹中，使用命令dir，来查看所有文件，一定要确认有resources.qrc这个文件。然后执行下面的命令
Pyrcc5 -o resources.py resources.qrc执行完后会生成resources.py，我们将这个文件复制一份到lib文件夹里面。
然后终端里继续执行下面三条命令
pip install lxml -i https://pypi.tuna.tsinghua.edu.cn/simple
pip install PyQt5 -i https://pypi.tuna.tsinghua.edu.cn/simple
pip install PyQt5_tools -i https://pypi.tuna.tsinghua.edu.cn/simple全部安装后，我们找到labelimg.py双击，然后鼠标右键对着代码点击运行。能出现下面的界面代表成功安装。
然后选择打开目录，选择我们存放图片的位置，注意不要有中文
接下来开始标注图片
如图，按w快捷键开始标记，选择合适的范围，然后输入自己想要标注的类型名称，例如我的human和e-bike。
点击保存，这样我们就标注好了一张图片，生成对应的xml文件
然后在图片文件夹创建一个annos的文件夹，将刚才生成的所有xml文件全部放入
面我们还差一个标签转换python程序，将这个convert_voc_to_yolo.py代码复制到我们的项目文件夹下
并且将如下位置的数据修改为自己标注的类型
我的类型分别为
e-bike
bike
human
3bike
casque
bike-card
这里有需要提示的地方代码中修改为自己的路径
在pycharm中，鼠标右键运行即可。
这样会生成一个新的文件夹labels_all，里面存放了txt形式的标注数据
接下来如图所示创建dataset文件夹，然后在dataset目录下再创建三个文件夹以及data.yaml，三个文件夹下再分别创建images与labels文件夹
yaml的内容如下
分别为三个文件夹的地址
标注的类型个数nc
标注的类型的名称
根据自身需求修改，如果是我的数据集就不用修改
# 用来分多少类，指定各个文件夹的位置
train: E:\yolo\ultralytics-main\dataset\train\images
val: E:\yolo\ultralytics-main\dataset\valid\images
test: E:\yolo\ultralytics-main\dataset\test\images
nc: 6
names:
0: e-bike
1: bike
2: human
3: 3bike
4: casque
5: bike-card
然后将刚才生成的labels_all文件夹内的txt文件放入labels，图片放入images内，并且要一一对应
例如我的train里放入1-100，test放入101-180，valid放入181-200
然后输入以下命令，记得修改为自己的路径
yolo task=detect mode=train model=E:\yolo\ultralytics-main\ultralytics\models\v8\yolov8n.yaml data=E:\yolo\ultralytics-main\dataset\data.yaml epochs=30 imgsz=640 resume=True workers=4
#进入训练其中epochs为训练次数，如果是10代的中端cpu大概是四十秒一轮，3060ti则为2秒一轮根据自身情况选择训练次数，建议不低于三十次
最后结果集会保存至ultralytics-main\runs\detect内，效果图为val_batch0_pred.jpg
如图
