YOLOv8 图像分类训练实战：分类数据集、训练验证与预测结果

YOLOv8 图像分类训练实战分类数据集、训练验证与预测结果这篇教程根据我复现 YOLOv8 图像分类流程时整理重点演示如何用文件夹格式分类数据训练 YOLOv8 分类模型并完成验证和测试集预测。本文整理自我的学习和项目复现过程尽量按实操顺序保留 notebook 的关键步骤同时把数据集获取方式调整为适合中文教程发布的写法。本文会重点跑通以下流程安装 YOLOv8 分类依赖运行 ImageNet 预训练分类模型从数据集后台获取分类数据集训练 YOLOv8 分类模型验证并查看预测结果如果你正在系统学习目标检测、实例分割、OCR、多目标跟踪或视觉大模型建议收藏本文配套 notebook、示例图片和运行环境说明后续会继续整理。如果环境配置卡住可以在评论区说明具体报错。 文章目录YOLOv8 图像分类训练实战分类数据集、训练验证与预测结果⚙️ 环境准备 安装 YOLOv8 预训练分类推理 从数据集后台获取分类数据集️ 自定义分类训练 验证模型 自定义模型推理 部署说明 小结 同系列教程汇总⚙️ 环境准备先检查 GPU 与基础运行环境。建议优先使用 Colab GPU 或本地 NVIDIA GPU 环境。!nvidia-smiimportos HOMEos.getcwd()print(HOME) 安装 YOLOv8安装 Ultralytics 后先确认版本和环境检查通过。# Pip install method (recommended)!pip install ultralytics8.2.103-q# 关闭 Ultralytics 运行统计同步!yolo settings syncFalsefromIPythonimportdisplay display.clear_output()importultralytics ultralytics.checks()# Git clone method (for development)# %cd {HOME}# !git clone github.com/ultralytics/ultralytics# %cd {HOME}/ultralytics# !pip install -e .# from IPython import display# display.clear_output()# import ultralytics# ultralytics.checks()fromultralyticsimportYOLOfromIPython.displayimportdisplay,Image 预训练分类推理先用预训练分类模型验证推理流程。%cd{HOME}!yolo taskclassify modepredict modelyolov8n-cls.pt conf0.25source/content/example%cd{HOME}Image(filenameruns/classify/predict/dog.jpeg,height600)modelYOLO(f{HOME}/yolov8n-cls.pt)resultsmodel.predict(source/content/example,conf0.25) 从数据集后台获取分类数据集分类数据通常是文件夹结构确保 train、valid/test 目录命名正确。fromtypesimportSimpleNamespace# 从数据集后台下载 文件夹分类 格式数据集后修改 DATASET_DIR 指向解压目录。DATASET_DIR/content/dataset# 修改为数据集后台导出的数据集目录datasetSimpleNamespace(locationDATASET_DIR,version1,namecustom-dataset)!mv{dataset.location}/valid{dataset.location}/val️ 自定义分类训练分类训练重点看训练曲线和验证准确率。%cd{HOME}!yolo taskclassify modetrain modelyolov8n-cls.pt data{dataset.location}epochs25imgsz128!ls-la{HOME}/runs/classify/train/!cat{HOME}/runs/classify/train/results.csv|head-10 验证模型训练完成后先跑验证确认指标和输出目录。%cd{HOME}!yolo taskclassify modeval model{HOME}/runs/classify/train/weights/best.pt data{dataset.location} 自定义模型推理加载训练好的 best.pt在测试集图片上做批量推理。%cd{HOME}!yolo taskclassify modepredict model{HOME}/runs/classify/train/weights/best.pt conf0.25source{dataset.location}/test/overripeimportglobfromIPython.displayimportImage,displayforimage_pathinglob.glob(f{HOME}/runs/classify/predict2/*.jpg)[:3]:display(Image(filenameimage_path,width600))print(\n) 部署说明Notebook 原流程包含在线部署。这里保留本地模型路径方便接入自己的部署流程。# 可选将训练得到的模型目录接入自己的部署流程。MODEL_DIR./runsMODEL_DIR# 可选部署完成后可在这里接入自己的在线推理服务进行测试。 小结这篇教程完整整理了Fine-Tune YOLOv8 on Classification Dataset的核心复现流程。实际操作时建议先确认 GPU、依赖版本、数据集路径和模型权重路径再逐段运行 notebook。后续我会继续按源项目顺序整理同系列中的目标检测、实例分割、OCR、多目标跟踪和视觉大模型教程。 同系列教程汇总Google Gemini 3.5 Flash 零样本目标检测教程从提示词到可视化结果GLM-OCR 文档识别实战教程从验证码、公式到车牌 OCRRF-DETR ByteTrack 多目标跟踪实战教程从命令行到 Python 视频轨迹可视化SAM 3 图像分割实战教程文本、框和点提示的多种分割方式SAM 3 视频分割实战教程用文本提示分割并跟踪视频中的目标Google Gemini 2.5 零样本检测与分割实战从 JSON 结果到可视化-本文