YOLOv8目标检测实战

折腾了好几天终于搞定了，核心其实不难，但有几个坑容易踩。把要点列出来，省得大家再走弯路。

先搞清楚原理

YOLOv8的基本概念其实不复杂。关键在于理解数据预处理这个环节。看下面这段代码，逻辑就很清楚了：

from sklearn.datasets import load_iris
from sklearn.model_selection import cross_val_score
from sklearn.svm import SVC
from sklearn.preprocessing import StandardScaler
from sklearn.pipeline import Pipeline

X, y = load_iris(return_X_y=True)
pipe = Pipeline([("scaler", StandardScaler()), ("svm", SVC(kernel="rbf", C=1.0, gamma="scale"))])
scores = cross_val_score(pipe, X, y, cv=4, scoring="accuracy")
print(f"4折CV准确率: {scores.mean():.4f} (+/- {scores.std():.4f})")
pipe.fit(X, y)
print(f"训练集准确率: {pipe.score(X, y):.4f}")

实际怎么用

在真实项目中用YOLOv8，和教程里还是有区别的。主要是数据预处理这块需要额外处理。完整代码如下：

import torch
import torch.nn as nn

class ContrastiveLoss(nn.Module):
    def __init__(self, temperature=0.07):
        super().__init__()
        self.temperature = temperature

    def forward(self, features, labels):
        features = nn.functional.normalize(features, dim=1)
        similarity = torch.matmul(features, features.T) / self.temperature
        mask = labels.unsqueeze(1) == labels.unsqueeze(0)
        positives = similarity[mask].view(labels.size(0), -1)
        negatives = similarity[~mask].view(labels.size(0), -1)
        logits = torch.cat([positives, negatives], dim=1)
        targets = torch.zeros(labels.size(0), dtype=torch.long, device=features.device)
        return nn.functional.cross_entropy(logits, targets)

loss_fn = ContrastiveLoss()
feats = torch.randn(32, 128)
labs = torch.randint(0, 4, (32,))
print(f"对比学习损失: {loss_fn(feats, labs).item():.4f}")

进阶一点的用法

如果对性能有要求，YOLOv8可以做数据预处理方面的优化。核心改动不大，但效果明显：

容易踩的坑

用YOLOv8的时候有几个常见的错误写法。比如数据预处理没有正确处理，或者特征提取与表示的顺序搞反了。下面列出几个典型问题和修复方式。

写在最后

整体来看，YOLOv8用起来不算复杂，关键是理解特征提取与表示这个核心机制。建议先跑通基础示例，再逐步加功能。有问题可以看官方文档，社区也比较活跃。