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35～36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.yaml
data.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.py
train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( data="data.yaml", # 数据集配置 epochs=200, # 正式训练 200 轮（737张图大约 1-2 小时跑完） batch=8, # 你的显存/内存完全可以跑 batch=8 imgsz=640, # 输入分辨率 device=0, # 【重点】设置成 0，强制使用你的 RTX 5050 显卡！ workers=0, # Windows 下可以开 0线程加速读取数据 project="runs/detect", # 结果保存位置 name="train_gpu", # 保存的文件夹名字 exist_ok=True, # 如果文件夹存在就覆盖 save=True, # 保存最好的一组模型权重 val=True, # 每轮跑完跑一次验证 plots=True, # 画出训练趋势图 degrees=15.0, # 数据增强：随机旋转 translate=0.1, # 数据增强：平移 scale=0.5, # 数据增强：缩放 mosaic=1.0 # 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 python=3.13（2）进入pytorch虚拟环境
conda activate pytorch（3）进入项目根目录
cd XXX(项目下数据集目录)
（4）运行train.py
python train.py（5）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~
