搭建环境操作步骤：
一、创建虚拟环境
1、点击‘Anaconda Navigator(Anaconda)’、base(root)、Open Terminal，打开一个新的终端

2、通过终端命令进入到【yolov8】项目之中

3、运行

conda create -n demo8 python=3.8.8，，，python版本3.8.8，demo8-自定义命名

需要输入y

4、进入环境

conda activate demo8

若是忘记虚拟环境名字了，可以conda env list 查看

二、安装PyCharm
1、下载、安装，还需要激活（可使用‘全家桶’进行激活）

三、配置环境
1、把yolo8项目拖到PyCharm工具之中，即：打开yolo8项目
在PyCharm工具中，右下角点击‘Python3.8’、‘Interpreter Settings’
在‘Python Interpreter’下拉框，点击展示，点击‘Show All...’，
在左下角点击‘+’，
点击‘Conda Environment’、‘Existing environment’，
在Interpreter:，点击下拉框，选择在‘Anaconda Navigator’创建好的‘虚拟环境’，
点击OK、Apply，当右下角出现Python 3.8(demo8)时，表示配置虚拟环境成功

2、以上配置完毕后，接着要安装依赖：打开终端，
安装pip命令：pip install -v -e .
           

  pip install -i -v -e . https://pypi.tuna.tsinghua.edu.cn 

 指定下载景象地址

3、测试配置环境是否正常
打开demo、record、start_single_detect.py-运行此文件

默认参数

ultralytics:
 cfg:default.yaml(默认参数，训练时要配置的参数)
        epochs=100-表示训练100轮

基础模型

pretrained
xxx.pt文件，模型文件

在此模型下进行训练，交付给自己的模型。

训练集的目录结构

比如，我准备了一些标注后的数据，那么我需要将标注完的数据拿到我的模型里面去训练，即需要在A_my_data.yaml文件下的路径下填写自己标注完的数据的路径。

模型预测命令（目的：感觉上、初步判断是否符合）

yolo task=detect mode=predict model=pretrained/yolov8l.pt source=ultralytics/assets device=CPU

模型训练命令

yolo task=detect mode=train model=pretrained/yolov8l.pt data=ultralytics/cfg/datasets/A_my_data.yaml batch=32 epochs=100 imgsz=100 workers=0 device=CPU cache=True

model=pretrained/yolov8l.pt：基于yolov8l.pt模型
data=ultralytics/cfg/datasets/A_my_data.yaml：表示训练的数据在‘A_my_data.yaml’文件
batch=32：表示图片数量，32张图合成一个图片
epochs=100：训练100轮(大概需5-6个小时)
imgsz=100：图片像素，高、宽都100
workers=0：
device=CPU：使用CPU
cache=True：会生成缓存文件

训练命令跑完后，会生成一个文件夹‘runs’、train文件夹下，会生成一些数据的报告，
包括最后一次模型和最完美的一次模型

模型验证

yolo task=detect mode=val model=pretrained/yolov8l.pt data=path/to/your/dataset.yaml device=CPU

模型测试

yolo task=detect mode=predict model=pretrained/yolov8l.pt source=path/to/your/testset device=CPU

训练结果

模型训练完后，训练命令跑完后，会生成一个文件夹‘runs’、detect、train文件夹下，会生成一些数据的报告

一、weights文件夹：模型权重文件（有两个训练好的模型文件best.pt、last.pt）

best.pt-是整个训练过程中，性能最好的模型权重文件，
最终我们要的就是这个文件，可以拿它进行实际业务的AI预测继续微调

last.pt-是最后一次训练的模型权重文件。
results.csv文件：展示的是训练轮数，包括轮次、损失率等详细数据

results.png图片-总预览图，训练集和验证集结果的分析，上边5个是‘训练集’、下边5个是‘验证集’

train/box_loss边界框损失:衡量画框

标注时要拉一框，预测时也有一个框，两个框一对比，就可算出损失率，如何计算？， 损失越低，代表的是双方面更精准。

train/cls_loss分类损失:判断框里面的物体，衡量的是预测类别和真实类别之间的差异

一张图片里面既有人、狗，如果把狗标成person，是不对的，即判断我们框内的这个物体，标的对不对，在一张图片中对物体分类的对不对。

train/dfl_loss分布式焦点损失

精益求精,train/dfl_loss分布式焦点损失和train/box_loss边界框损失是相辅相成的。辅助box_loss，提供额外的信息，通过对边界框位置的概率分布进行优化，进一步提高模型对边界框位置的细化和准确度。

metrics/precision(B)精度

又准又全的考量， 精准度肯定是越往上越好。