YOLOv8实战：从安装到自定义数据集训练的全流程指南（附避坑技巧）-CSDN博客

YOLOv8实战：从安装到自定义数据集训练的全流程指南（附避坑技巧）

第一次接触YOLOv8时，我被官方仓库里那些复杂的参数和选项搞得晕头转向。作为一个常年混迹在工业质检领域的算法工程师，我需要的是一个能快速上手的解决方案，而不是又一篇理论论文。经过三个项目的实战打磨，我总结出了这套"开箱即用"的流程，特别适合需要在两周内完成POC验证的团队。

1. 环境配置：双平台避坑指南

去年在给某汽车零部件供应商部署缺陷检测系统时，我们团队同时遇到了CUDA版本冲突和OpenCV兼容性问题。这里分享的配置方案已经过20+台工控机验证。

1.1 Ubuntu下的极简配置

推荐使用conda创建隔离环境，以下命令已适配NVIDIA 30/40系列显卡：

conda create -n yolo8 python=3.8 -y
conda activate yolo8
pip install ultralytics torch==2.0.1+cu118 torchvision==0.15.2+cu118 --extra-index-url https://download.pytorch.org/whl/cu118

注意：如果遇到libGL.so缺失错误，执行sudo apt install libgl1-mesa-glx

1.2 Windows的特殊处理

在Windows 11上测试时，我们发现三个常见陷阱：

路径长度限制：修改注册表HKEY_LOCAL_MACHINE\SYSTEM\CurrentControlSet\Control\FileSystem中的LongPathsEnabled为1
中文路径问题：所有项目路径必须全英文
权限问题：以管理员身份运行PowerShell执行安装

验证安装成功的正确姿势：

import torch
from ultralytics import YOLO
print(torch.cuda.is_available())  # 应该返回True
model = YOLO('yolov8n.pt')  # 会自动下载预训练模型

2. 数据准备：COCO格式转换实战

上周刚帮一个做零售货架分析的朋友处理了200GB的货架图片，他们的标注格式五花八门。这里给出最通用的转换方案。

2.1 从VOC到COCO的魔法转换

假设原始数据是VOC格式的XML文件，使用这个Python脚本批量转换：

from xml.etree i