docker启动yolo

bash install_yolo_env.sh

简化写法：

yolo export model=/workspace/yolo_project/runs/detect/train/weights/best.pt format=onnx

部分参数写法：

yolo export model=/workspace/yolo_project/runs/detect/train/weights/best.pt \
  format=onnx \
  imgsz=640 \
  half=True \
  simplify=True \
  opset=12 \
  project=/workspace/yolo_project/exports

常用参数说明：
imgsz: 输入尺寸，默认 640
half: 使用 FP16 精度，可减小模型大小
simplify: 简化模型，移除冗余操作
opset: ONNX 算子集版本，建议 12-17
dynamic: 启用动态维度
batch: 指定批次大小
workspace: GPU 内存限制（GB）
project：ONNX存放目录

apt update
apt install -y \
  build-essential \
  python3 \
  python3-venv \
  python3-pip \
  libgl1 \
  libglib2.0-0

python3 -m venv yolo
source yolo/bin/activate

pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121

验证 PyTorch 与 CUDA：

python3 - << 'EOF'
import torch
print(torch.__version__)
print(torch.cuda.is_available())
print(torch.cuda.get_device_name(0))
EOF

期望输出示例：

True
NVIDIA L40

pip install -U pip
pip install ultralytics

验证安装：

yolo version

---

• labelImg（官方项目）：

  • GitHub： https://github.com/HumanSignal/labelImg
  • 特点：
    • 支持 YOLO / VOC / COCO 格式
    • 轻量、离线、本地可控
    • 适合中小规模数据集

• Roboflow（Web）：适合快速转换与增强

• CVAT / Label Studio：适合团队与大规模数据

工程建议：

• 服务器不跑 GUI 标注工具
• 标注统一在本地或 Web 平台完成
• 只把“干净的数据集”同步到服务器

dataset/
├── images/
│   ├── train/
│   └── val/
├── labels/
│   ├── train/
│   └── val/
└── data.yaml

path: /workspace/yolo_project/dataset
train: images/train
val: images/val
names:
  0: girl

---

yolo detect train \
  data=/workspace/yolo_project/dataset/data.yaml \
  project=/workspace/yolo_project/runs/detect \
  name=train \
  model=yolov8n.pt \
  epochs=100 \
  imgsz=640 \
  batch=64 \
  device=0 \
  workers=8

训练完成后输出：

100 epochs completed
Results saved to /.../runs/detect/trainX

---

• 能生成：
  • /.../runs/detecXt/train/weights/best.pt
  • results.png
• GPU 被正确识别：

CUDA:0 (NVIDIA L40)

yolo detect predict \
  model=/workspace/yolo_project/runs/detect/train/weights/best.pt \
  source=/workspace/yolo_project/dataset/images/val \
  conf=0.25 \
  save=True

输出结果：

/.../runs/detect/predictX/

其中包含：

• 预测后的图片（已画框）
• 置信度与类别名称

yolo detect predict \
  model=/workspace/yolo_project/runs/detect/train/weights/best.pt \
  source=demo.jpg

yolo detect predict \
  model=/workspace/yolo_project/runs/detect/train/weights/best.pt \
  source=/data/test_images

# 视频文件
yolo detect predict \
  model=/workspace/yolo_project/runs/detect/train/weights/best.pt \
  source=video.mp4

# 摄像头（本地环境）
yolo detect predict \
  model=/workspace/yolo_project/runs/detect/train/weights/best.pt \
  source=0

注意：服务器环境通常 无摄像头 / 无 GUI，不建议直接使用 source=0

---

yolo_project/
├── dataset/
│   ├── images/
│   │   ├── train/
│   │   └── val/
│   ├── labels/
│   │   ├── train/
│   │   └── val/
│   └── data.yaml
├── runs/
├── tools/        # 数据检查 / 转换脚本
├── README.md     # ← 本文档
└── train.sh

---

参数	作用	建议
conf	置信度阈值	0.25~0.5
imgsz	推理尺寸	与训练一致
device	推理设备	0 或 cpu
save	是否保存结果	生产环境可关闭

---

• 新图片（非 train / val）
• 不同背景 / 尺寸 / 角度
• 不只看 mAP
• 不只看 val

**最终标准只有一个：**预测结果是否符合业务直觉

---

问题	原因	解决
检测不到目标	conf 太高	调低 conf
框很乱	过拟合	增加数据
类别错误	标注不一致	统一 label