4.4 YOLOv8 训练部署全流程

本文以 YOLOv8 为例，详细介绍从模型训练、量化到最终推理部署的完整流程。

模型训练

训练环境安装

获取源代码：

git clone https://github.com/ultralytics/ultralytics

安装依赖：
```
cd ultralytics
pip install -e .
```
如遇依赖项不能下载安装，可以采用镜像网站来下载安装 https://pypi.tuna.tsinghua.edu.cn/simple/

模型训练及导出

以下代码示例展示了如何使用 YOLOv8 进行模型训练并导出为 ONNX 格式：

from ultralytics import YOLO
#Load a COCO-pretrained YOLOv8n model
model = YOLO("yolov8n.yaml")
#Load a pretrained YOLO model (recommended for training)
model = YOLO("yolov8n.pt")
#Train the model using the 'coco8.yaml' dataset for 100 epochs
results = model.train(data="coco8.yaml", epochs=100)
#Export the model to ONNX format
success = model.export(format="onnx",imgsz=(320,320),simplify=True,opset=13)

关键参数说明：

yolov8n.yaml：模型结构配置文件。
coco8.yaml：训练数据集配置文件，需包含以下两部分：
- images：存放训练集以及验证集的图像数据。
- labels：存放训练集以及验证集的图像数据对应的标注文件。

标注文件（labels）格式（每行表示一个目标）：

<class_id> <x_center> <y_center> <width> <height>

示例：

0.445688 0.480615 0.075125 0.117295
0.640086 0.471742 0.0508281 0.0814344
0.643211 0.558852 0.129828 0.097623

class_id：第目标类别编号（整数）。
后续四个浮点数表示该目标的归一化坐标信息，这四个浮点数的排列顺序为：
- x_center：（归一化后的）目标中心点的 x 坐标
- y_center：（归一化后的）目标中心点的 y 坐标
- width：（归一化后的）目标框 x 方向的大小
- height：（归一化后的）目标框 y 方向的大小

注意：若需在私有数据集上训练微调，建议先加载预训练模型，并参照 coco8.yaml 格式准备数据。

模型量化（x86 平台）

注意：量化操作需在 x86 平台进行。

量化工具安装

下载量化工具：
xquant-1.2.1 下载地址

安装工具：

pip install xquant-1.2.1-py3-none-any.whl

验证安装：
```
pip show xquant
```
成功安装后输出（示例）如下：

量化文件配置

校准数据下载：
Calibration 数据集

量化配置文件示例：

{
  "model_parameters": {
    "onnx_model": "path/yolov8n.onnx",
    "working_dir": "yolov8",
    "skip_onnxsim": false
  },
  "calibration_parameters": {
    "input_parameters": [
      {
        "mean_value": [0, 0, 0],
        "std_value": [255, 255, 255],
        "color_format": "rgb",
        "data_list_path": "path/calib_list.txt"
      }
    ]
  },
  "quantization_parameters": {
    "truncate_var_names": [
      "/model.22/Reshape_output_0",
      "/model.22/Reshape_1_output_0",
      "/model.22/Reshape_2_output_0"
    ]
  }
}

参数说明：

onnx_model：待量化的 ONNX 模型路径。
mean_value 和 std_value：图像归一化参数，需与训练配置保持一致。
color_format：图像通道顺序（如 RGB/BGR）。
data_list_path：校准图像路径列表文件。
truncate_var_names：量化截断节点名称（防止后处理量化误差）。

校准列表文件示例（calib_list.txt）：

path/000000428562.jpg
path/000000000632.jpg
path/000000157756.jpg
path/000000044279.jpg

path 可为相对路径或者绝对路径。

注意：建议校准数据选自模型训练集的子集，并保持数据分布一致。

截断节点确认

truncate_var_names 为指定量化截断点，YOLOv8n 模型中包含后处理（坐标解码）逻辑，建议对模型在后处理节点前进行截断，防止量化误差。

示例如下：

"truncate_var_names": [
  "/model.22/Reshape_output_0",
  "/model.22/Reshape_1_output_0",
  "/model.22/Reshape_2_output_0"
]

使用 Netron 可视化工具打开 yolov8n.onnx 模型，查找并确认需要截断或排除量化的节点名称。

Netron 模型节点

执行量化

运行以下命令进行量化：

python3 -m xquant --config path/yolov8_xquant_config.json

量化成功后生成文件示例 yolov8n.q.onnx

模型推理

下载示例模型推理代码

git clone https://gitee.com/bianbu/spacemit-demo.git

进入 YOLOv8 目录
```
cd spacemit-demo/examples/CV/yolov8
```

环境准备（示例）

# 进入示例目录的 python 子目录
cd python
sudo apt install python3-pip python3-venv

# 创建虚拟环境并激活
python3 -m venv name(虚拟环境名)
source name/bin/activate

# 安装依赖
pip install -r requirements.txt --index-url https://git.spacemit.com/api/v4/projects/33/packages/pypi/simple

执行推理

python test_yolov8.py --model 量化模型路径 --image 测试图片路径

示例命令:

python test_yolov8.py --model ./yolov8n.q.onnx --image ./test_image.jpg

执行成功后，通常会输出检测结果图像（如 result.jpg）并在终端打印检测到的目标信息。

4.4 YOLOv8 训练部署全流程

模型训练​

训练环境安装​

模型训练及导出​

模型量化 （x86 平台）​

量化工具安装​

量化文件配置​

截断节点确认​

执行量化​

模型推理​