🚀 30+款热门AI模型一站整合，DeepSeek/GLM/Claude 随心用，限时 5 折。 👉 点击领海量免费额度

如果你刚接触目标检测，或者正在为项目选型，看到“YOLOv26”这个版本号，第一反应可能是：都到v26了，我是不是应该直接学最新的？为什么网上铺天盖地的教程、项目实战、部署方案，都还在用YOLOv8？

这是一个非常典型的认知误区。在技术领域，尤其是AI模型迭代飞快的今天，版本号高不等于“最值得学”，更不等于“最适合用”。YOLOv8之所以至今仍是工业界和学术界的主流选择，甚至热度远超后续的v9、v10，背后有非常扎实的工程和生态原因。它不是一个简单的“过时版本”，而是一个在性能、易用性、社区支持和工程成熟度上达到了一个绝佳平衡点的“黄金版本”。

简单来说，YOLOv8是那个让你花最少的时间，跑通从环境搭建、数据标注、模型训练到多平台部署全流程的版本。它把过去需要大量手动调参、写复杂脚本的环节，封装成了几行Python代码就能搞定的API。对于绝大多数开发者、研究者和学生而言，学习YOLOv8不是在学一个“旧技术”，而是在掌握一套高效解决实际视觉问题的标准工作流。这套工作流的思想和工具链，是通用的，学会了它，你再去看v9、v10甚至v26的新特性，会理解得更快。

本文将带你彻底吃透YOLOv8。我们不只讲“是什么”，更要讲清楚“为什么它依然是首选”、“它解决了什么实际问题”、“从零到一的完整路径是什么”以及“有哪些你一定会踩的坑”。目标是让你在2小时内，建立起对YOLO目标检测从V1到V13核心思想演进的清晰认知，并重点掌握YOLOv8的实战能力，最终具备独立完成一个目标检测项目的能力。

1. 为什么在YOLOv26的时代，我们依然要重点学习YOLOv8？

要理解YOLOv8的价值，我们需要跳出单纯的版本号比较，从三个维度来看：技术成熟度、生态完备性和学习成本。

1. 技术成熟度：YOLOv8是一个“集大成”的稳定版本。YOLO系列从V1到V7，经历了从开创性思想（V1: You Only Look Once）到不断优化 backbone、neck、head 结构，引入FPN、PANet、Anchor机制等的过程。YOLOv5的出现是一个分水岭，它极大地提升了工程的易用性。YOLOv8在v5的基础上，做了几项关键改进：

• Anchor-Free：抛弃了繁琐的Anchor先验框设计，简化了训练流程，减少了超参数调优的负担，让模型更易收敛。
• 新的Backbone和Neck：采用了更高效的CSPDarknet53和PAN-FPN结构，在速度和精度之间取得了更好的平衡。
• 损失函数优化：使用了CIoU Loss和DFL（Distribution Focal Loss），提升了边框回归的精度，特别是对小目标的检测效果。 这些改进使得YOLOv8在COCO等标准数据集上的表现（例如YOLOv8n的mAP@0.5:0.95达到37.3）非常扎实，足以应对绝大多数工业场景的需求。后续的v9、v10虽然在特定指标（如小目标检测、轻量化）上有创新，但YOLOv8的综合表现和稳定性已经经过了海量项目和时间的检验。

2. 生态完备性：Ultralytics打造的“一站式”解决方案。这是YOLOv8最核心的竞争力。Ultralytics团队为YOLOv8提供了可能是计算机视觉领域最友好、最全面的开源库。它不仅仅是一个模型，而是一个完整的工具链，支持：

• 五大任务：目标检测、实例分割、姿态估计、旋转目标检测、图像分类。一套代码库全搞定。
• 全流程模式：训练（Train）、验证（Val）、推理（Predict）、导出（Export）全部封装为简洁的API或命令行。
• 丰富的预训练模型：从纳米级（n）到巨型（x）五种尺寸，满足从嵌入式设备到云端服务器的不同算力需求。
• 无缝的模型导出：支持导出为ONNX、TensorRT、CoreML、TFLite等几乎所有主流推理格式，部署极其方便。
• 活跃的社区和文档：GitHub星标超过13万，意味着你遇到的几乎所有问题，都能在Issues、Discussions或博客中找到答案。

3. 学习成本与迁移价值：掌握YOLOv8等于掌握了现代目标检测的“通用语法”。学习YOLOv8，你学的不是80个API调用，而是理解一个现代目标检测框架应该如何组织数据、配置训练、评估模型和进行部署。这些知识是高度可迁移的。

• 数据格式：YOLO格式（txt标注文件）已成为业界事实标准之一，学会它，你的数据集可以轻松用于其他YOLO系列甚至许多非YOLO模型。
• 训练Pipeline：数据增强、学习率调度、早停等技巧，在YOLOv8中通过配置文件（yaml）就能轻松管理，这些配置思想是通用的。
• 部署思维：通过YOLOv8了解如何将PyTorch模型转化为ONNX/TensorRT，这种模型优化和跨平台部署的流程，是任何AI工程化项目都必须掌握的。

因此，对于初学者和大多数应用开发者，直接学习YOLOv8是性价比最高的选择。它能让你快速获得正反馈，建立起信心和能力，然后再去探索v9/v10的新特性（如可编程梯度信息PGI、轻量级设计）或v26等更前沿的研究，会事半功倍。跳过v8去追最新版，很可能陷入“配置复杂、文档不全、社区支持弱”的困境，事倍功半。

2. YOLO核心思想演进：从V1到V13的十分钟速览

在深入YOLOv8之前，快速回顾一下YOLO系列的核心演进脉络，能帮助你理解为什么今天的YOLOv8长成这样。这里我们聚焦思想上的关键突破，而非每个版本的细节。

• YOLOv1 (2016): 开山之作， “You Only Look Once”。

  • 核心思想：将目标检测重构为单一的回归问题。将图像划分为SxS的网格，每个网格预测B个边界框及其置信度，以及C个类别的条件概率。一次前向传播即可得到所有检测结果，速度极快。
  • 局限：每个网格只能预测两个框且属于一个类别，对密集小目标检测差；定位精度一般。

• YOLOv2 (YOLO9000, 2017): 更好，更快，更强。

  • 关键改进：
    1. Batch Normalization:在所有卷积层后加入BN，提升收敛速度和模型稳定性。
    2. High Resolution Classifier:先在448x448高分辨率分类器上微调，提升检测分辨率。
    3. Anchor Boxes:引入Faster R-CNN的Anchor机制，通过K-means聚类数据集得到先验框尺寸，提升了召回率。
    4. Direct location prediction:对Anchor框的偏移量进行约束，使训练更稳定。
    5. Fine-Grained Features:引入Passthrough层，将浅层特征图连接到深层，提升小目标检测能力。
    6. Multi-Scale Training:训练时动态改变输入图像尺寸，增强模型鲁棒性。

• YOLOv3 (2018): 成为经典的“多尺度”检测。

  • 关键改进：
    1. 更好的Backbone:采用Darknet-53，融合了ResNet的残差思想，更深更强。
    2. 多尺度预测 (FPN思想):在三个不同尺度的特征图上进行预测，分别负责大、中、小目标，显著提升了小目标检测能力。这是YOLOv3至今仍被广泛使用的核心原因。
    3. 分类头改用逻辑回归:使用多个独立的逻辑回归分类器代替Softmax，支持多标签分类。

• YOLOv4 (2020): “Bag of Freebies” 和 “Bag of Specials”。

  • 核心贡献：系统性地总结了当时能提升模型性能且不增加推理成本的技巧（Freebies）和略微增加成本但效果显著的模块（Specials）。
  • 关键组件：CSPDarknet53 Backbone, PANet Neck, SPP模块， Mosaic数据增强， CIoU Loss等。YOLOv4更像一个优秀的“工程集成”作品，证明了通过精心组合现有技巧也能达到SOTA。

• YOLOv5 (2020): 工程化的胜利。

  • 划时代意义：虽然不是官方续作，但由Ultralytics发布，其极致的易用性彻底改变了YOLO的使用体验。
  • 核心特点：
    1. 统一的代码库和配置：一个models/yolov5s.yaml文件定义网络结构，清晰易懂。
    2. 自动锚框计算：训练前自动在数据集上计算最佳Anchor尺寸。
    3. 超参数进化：使用遗传算法自动优化超参数。
    4. 丰富的部署支持：很早就完善了对ONNX、CoreML、TFLite等的导出支持。
    5. 活跃的社区：问题响应快，生态丰富。YOLOv5让目标检测真正变得“平民化”。

• YOLOv6 (2022, 美团): 面向工业应用的重新设计。

  • 核心：专为工业部署优化，提出了更高效的Backbone (EfficientRep) 和 Neck (Rep-PAN)，以及更简化的检测头。
  • 重点：在硬件（如NVIDIA Tesla T4）上的推理速度极快。

• YOLOv7 (2022): 在速度和精度上继续推进。

  • 关键创新：提出了可训练的“Bag-of-Freebies”方法，如重参数化模块、动态标签分配等，在不增加推理成本的情况下大幅提升精度。

• YOLOv8 (2023, Ultralytics): 新时代的“标准答案”。

  • 站在巨人肩上：继承了YOLOv5的工程化优点，吸收了v3-v7的技术精华。
  • 标志性改进：Anchor-Free，新的C2f模块，更简洁高效的架构，以及将分类、检测、分割、姿态估计统一到一个框架下。它成为了Ultralytics打造的下一代“平台级”产品，而不仅仅是一个模型。

从V8之后，还有YOLOv9（引入可编程梯度信息PGI）、YOLOv10（由清华大学提出，专注于端到端效率和延迟-精度平衡）等优秀工作。但正如开篇所说，YOLOv8在易用性、功能全面性和社区支持上形成的综合优势，使其成为了学习和应用的首选入口。

3. 环境准备：10分钟搞定YOLOv8开发环境

理论了解了，我们立刻动手。YOLOv8的环境搭建非常简单，这本身就是其易用性的体现。我们推荐使用Python 3.8+和PyTorch 1.8+。

3.1 基础环境安装

首先，确保你安装了Python和pip。然后，强烈建议使用Conda或Venv创建独立的虚拟环境，避免包冲突。

# 1. 创建并激活虚拟环境 (以conda为例) conda create -n yolov8 python=3.9 conda activate yolov8 # 2. 安装PyTorch (请根据你的CUDA版本前往PyTorch官网获取最新命令) # 例如，对于CUDA 11.8 pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118 # 3. 安装Ultralytics YOLOv8 pip install ultralytics

安装完成后，可以通过以下命令验证安装是否成功，并查看版本：

python -c "from ultralytics import YOLO; print(YOLO)"

3.2 验证安装与快速推理

让我们用一行代码来感受YOLOv8的强大。Ultralytics提供了预训练模型，我们可以直接下载并使用。

# quick_start.py from ultralytics import YOLO # 加载一个预训练的YOLOv8n模型（纳米级，最小最快） model = YOLO('yolov8n.pt') # 会自动从Ultralytics服务器下载模型 # 在一张示例图片上进行推理 results = model('https://ultralytics.com/images/bus.jpg') # 展示结果 results[0].show() # 将结果保存到当前目录 results[0].save('result.jpg')

运行这个脚本，你会看到它自动下载模型和示例图片，并输出一张带有检测框的图片。检测到的物体类别和置信度会显示在框上。这就是YOLOv8最基本的推理流程，简单到不可思议。

4. YOLOv8核心概念与项目结构解析

在跑通Demo后，我们需要深入一点，理解YOLOv8项目的核心组成部分。这将帮助你更好地组织自己的项目。

一个典型的YOLOv8项目目录结构如下：

my_yolov8_project/ ├── data/ │ ├── images/ # 存放所有图片 (train/val/test可分子目录) │ │ ├── train/ │ │ └── val/ │ └── labels/ # 存放对应的YOLO格式标签文件 (与images目录结构一致) │ ├── train/ │ └── val/ ├── datasets/ # 或者使用软链接指向你的数据集 ├── runs/ # 训练和推理的输出目录，由YOLOv8自动生成 │ ├── detect/ │ │ └── train/ # 训练结果：权重、日志、指标图等 │ └── predict/ # 推理结果图片 ├── configs/ # (可选) 存放自定义的配置文件 │ └── my_custom.yaml ├── train.py # 训练脚本 ├── val.py # 验证脚本 ├── predict.py # 推理脚本 └── export.py # 模型导出脚本

关键概念解释：

1. 数据格式 (YOLO Format):标签文件是.txt格式，每个图像对应一个.txt文件。每行代表一个物体，格式为：class_id center_x center_y width height

   • class_id: 类别索引（从0开始）。
   • center_x, center_y: 边界框中心的归一化坐标（除以图像宽度和高度）。
   • width, height: 边界框的归一化宽高。 例如：0 0.5 0.5 0.2 0.3表示类别0的物体，中心点在图片中心，宽占图宽的20%，高占图高的30%。

2. 模型文件 (.pt 和 .yaml):

   • yolov8n.pt: 预训练的模型权重文件。
   • yolov8n.yaml: 模型结构定义文件。如果你想自定义网络结构（通常不需要），可以修改此文件。

3. 数据集配置文件 (.yaml):这是训练的核心配置文件。它定义了数据集的路径、类别名称和数量。

   # coco8.yaml 示例 path: /path/to/dataset # 数据集根目录 train: images/train # 训练集图片路径（相对于path） val: images/val # 验证集图片路径 test: images/test # 测试集图片路径（可选） # 类别列表 names: 0: person 1: bicycle 2: car # ... 其他类别

4. 任务类型 (Task):YOLOv8通过加载不同的预训练权重文件，自动识别任务类型：

   • yolov8n.pt-> 目标检测 (Detection)
   • yolov8n-seg.pt-> 实例分割 (Segmentation)
   • yolov8n-pose.pt-> 姿态估计 (Pose)
   • yolov8n-cls.pt-> 图像分类 (Classification)

5. 实战：训练你自己的YOLOv8目标检测模型

现在，我们进入最核心的环节：用自己的数据训练一个模型。我们以一个简单的例子——检测“猫”和“狗”为例。

5.1 数据准备与标注

1. 收集图片：收集包含猫和狗的图片，至少每类100-200张。划分训练集（80%）和验证集（20%）。
2. 数据标注：使用标注工具，如LabelImg、CVAT或Roboflow。将标注导出为YOLO格式。
   • 安装LabelImg:pip install labelImg
   • 启动:labelImg
   • 设置格式为YOLO，进行标注。标注后会生成对应的.txt文件。

假设你的数据整理后结构如下：

my_pet_dataset/ ├── images/ │ ├── train/ │ │ ├── img1.jpg │ │ └── ... │ └── val/ │ ├── img100.jpg │ └── ... └── labels/ ├── train/ │ ├── img1.txt │ └── ... └── val/ ├── img100.txt └── ...

5.2 创建数据集配置文件

在项目根目录创建pet_dataset.yaml：

# pet_dataset.yaml path: /absolute/path/to/my_pet_dataset # 请替换为你的绝对路径 train: images/train val: images/val # 类别数量 nc: 2 # 类别名称 names: ['cat', 'dog']

5.3 启动训练

训练可以通过Python API或CLI命令行完成，两者同样简单。

方式一：使用Python脚本 (train.py)

# train.py from ultralytics import YOLO # 加载一个预训练模型（推荐从已有模型微调） model = YOLO('yolov8n.pt') # 也可以从头开始训练，但微调更快更好 # 训练模型 results = model.train( data='pet_dataset.yaml', # 数据集配置文件路径 epochs=100, # 训练轮数，根据数据集大小调整 imgsz=640, # 输入图像大小 batch=16, # 批次大小，根据GPU内存调整 device='0', # 使用GPU，如果是CPU则设为 'cpu' project='runs/detect', # 结果保存的根目录 name='pet_train_v1', # 本次实验的名称 save=True, # 保存训练结果 save_period=10, # 每10个epoch保存一次检查点 pretrained=True # 使用预训练权重（默认True） )

方式二：使用CLI命令行

yolo task=detect mode=train model=yolov8n.pt data=pet_dataset.yaml epochs=100 imgsz=640 device=0

运行训练脚本后，YOLOv8会自动开始训练。你可以在终端看到实时日志，包括损失值、精度指标等。所有输出（模型权重、日志、可视化图表）都会保存在runs/detect/pet_train_v1/目录下。

5.4 监控训练过程

训练开始后，最重要的就是监控指标，判断模型是否在正常学习。YOLOv8在训练时会自动生成一系列可视化图表，位于runs/detect/pet_train_v1/目录下：

• results.png: 核心指标曲线图，包括训练集和验证集的边界框损失、分类损失、mAP@0.5、mAP@0.5:0.95等。这是判断模型是否过拟合或欠拟合的关键。
• confusion_matrix.png: 混淆矩阵，查看各类别间的误检情况。
• val_batchX_labels.jpg/val_batchX_pred.jpg: 验证集的真实标签和模型预测结果对比图。

如何判断训练效果？

1. 看损失曲线：train/box_loss和val/box_loss都应稳步下降并最终趋于平缓。如果验证集损失在后期开始上升，而训练集损失继续下降，可能是过拟合。
2. 看精度曲线：metrics/mAP_0.5和metrics/mAP_0.5:0.95应稳步上升。mAP_0.5更宽松，mAP_0.5:0.95更严格，是主要参考指标。
3. 看混淆矩阵：对角线越亮越好，表示分类准确。如果某些类别在其他类别列有亮斑，说明模型容易混淆这些类别。

如果发现过拟合，可以尝试：增加数据增强、使用更小的模型（如yolov8n）、增加正则化（如权重衰减）、减少训练轮数或早停。

6. 模型验证、推理与导出部署

训练完成后，我们得到了最佳的模型权重（通常是runs/detect/pet_train_v1/weights/best.pt）。接下来是使用和部署。

6.1 模型验证

在独立的测试集上评估模型性能：

# val.py from ultralytics import YOLO # 加载训练好的最佳模型 model = YOLO('runs/detect/pet_train_v1/weights/best.pt') # 在验证集上评估模型 metrics = model.val( data='pet_dataset.yaml', split='val', # 使用验证集，也可以是 'test' imgsz=640, device='0' ) # metrics.box.map # mAP@0.5:0.95 # metrics.box.map50 # mAP@0.5

6.2 使用模型进行推理（预测）

用训练好的模型对新图片或视频进行预测：

# predict.py from ultralytics import YOLO import cv2 model = YOLO('runs/detect/pet_train_v1/weights/best.pt') # 预测单张图片 results = model('path/to/your/test_image.jpg', save=True, conf=0.5) # conf为置信度阈值 # 预测视频 cap = cv2.VideoCapture('path/to/your/video.mp4') while cap.isOpened(): ret, frame = cap.read() if not ret: break results = model(frame, conf=0.5) annotated_frame = results[0].plot() # 绘制检测框 cv2.imshow('YOLOv8 Inference', annotated_frame) if cv2.waitKey(1) & 0xFF == ord('q'): break cap.release() cv2.destroyAllWindows()

6.3 模型导出（为部署做准备）

为了在移动端、边缘设备或生产服务器上高效运行，我们需要将PyTorch模型转换为优化的格式。

# export.py from ultralytics import YOLO model = YOLO('runs/detect/pet_train_v1/weights/best.pt') # 导出为 ONNX 格式 (广泛支持的中间格式) model.export(format='onnx', imgsz=640, simplify=True) # 导出为 TensorRT 格式 (NVIDIA GPU 极致加速) # 需要先安装 tensorrt model.export(format='engine', imgsz=640, device=0) # 导出为 CoreML 格式 (Apple 设备) model.export(format='coreml', imgsz=640) # 导出为 TFLite 格式 (Android/iOS/边缘设备) model.export(format='tflite', imgsz=640)

导出后，你会得到best.onnx,best.engine等文件。这些文件可以直接被相应的推理引擎加载，速度远超原始的PyTorch模型。

7. 避坑指南：YOLOv8实战中的常见问题与解决方案

在实际项目中，你几乎一定会遇到下面这些问题。提前了解，可以节省大量调试时间。

8. 超越基础：YOLOv8高级技巧与最佳实践

当你掌握了基础流程后，这些技巧能帮助你进一步提升项目效果和工程效率。

1. 数据增强策略：YOLOv8内置了强大的数据增强，通过dataset.yaml中的参数或model.train()参数控制。

   # 在 dataset.yaml 或 train 参数中调整 augment: true hsv_h: 0.015 # 色调增强 hsv_s: 0.7 # 饱和度增强 hsv_v: 0.4 # 明度增强 degrees: 0.0 # 旋转角度 translate: 0.1 # 平移 scale: 0.5 # 缩放 shear: 0.0 # 剪切 perspective: 0.0 # 透视变换 flipud: 0.0 # 上下翻转概率 fliplr: 0.5 # 左右翻转概率 mosaic: 1.0 # Mosaic增强概率 (训练时) mixup: 0.0 # Mixup增强概率

   • 小数据集：建议增强强度大一些（如提高hsv_s/v,translate,scale），并使用mosaic。
   • 大数据集：可以适当降低增强强度，避免引入过多噪声。

2. 超参数调优：不要盲目修改所有参数。重点调整以下几个：

   • lr0(初始学习率): 默认0.01。如果训练不稳定或Loss为NaN，尝试降低到0.001或0.0001。
   • weight_decay(权重衰减): 默认0.0005。用于防止过拟合，如果模型在验证集上表现变差，可以尝试稍微增加。
   • warmup_epochs(热身轮数): 默认3。在训练初期使用较低的学习率，有助于稳定训练。
   • box/cls/dfl损失权重: 通常不需要调整，除非你的任务特别关注定位或分类。

3. 模型选择与剪枝：

   • 速度优先（嵌入式/移动端）：选择yolov8n或yolov8s，并使用int8量化导出 (model.export(format='onnx', int8=True))。
   • 精度优先（服务器端）：选择yolov8l或yolov8x。
   • 自定义剪枝：对于特定场景，如果某些类别不需要，可以在训练数据集中直接删除，模型会自动适应。

4. 利用TensorBoard进行可视化监控：YOLOv8默认使用ClearML或TensorBoard（如果安装）。安装TensorBoard后，可以在训练时自动记录。

   pip install tensorboard # 训练时添加参数 project='my_project', name='exp1' # 训练结束后，运行 tensorboard --logdir runs/detect

   然后在浏览器打开http://localhost:6006，可以更直观地查看损失曲线、指标、计算图等。

5. 生产环境部署建议：

   • 标准化输入：部署前，确保推理代码对输入图像进行与训练时相同的预处理（归一化、BGR2RGB等）。YOLOv8的model.predict()已内部处理。
   • 批处理推理：对于视频流或大量图片，使用批处理可以极大提升GPU利用率。

     # 批处理推理示例 import glob image_paths = glob.glob('path/to/images/*.jpg') results = model(image_paths, batch=8) # 批次大小为8

   • 模型版本管理：将训练好的best.pt和对应的dataset.yaml、训练参数一起归档。这是模型可复现性的关键。

9. 总结：从YOLOv8出发，构建你的计算机视觉能力栈

通过本文，你应该已经清晰地认识到，为什么在YOLOv26已然出现的今天，YOLOv8依然是学习目标检测最明智的起点。它提供了一个近乎完美的平衡点：强大的性能、极致的易用性、丰富的功能以及无与伦比的社区生态。

学习YOLOv8，你收获的不仅仅是一个工具的使用方法，而是一套完整的、可复用的目标检测项目方法论：

1. 数据工程能力：从数据收集、清洗、标注（YOLO格式）到数据集配置。
2. 模型开发能力：理解训练、验证、推理的完整Pipeline，掌握超参数调优和性能监控。
3. 模型部署能力：掌握将PyTorch模型转化为ONNX、TensorRT等生产格式的流程。
4. 问题排查能力：对训练中常见的Loss异常、精度低下、内存溢出等问题有了系统的解决思路。

你的下一步可以沿着多个方向深入：

• 纵向深入（算法）：研究YOLOv9的PGI、YOLOv10的端到端设计、YOLO-World的开放词汇检测，理解其论文和创新点。
• 横向拓展（任务）：用YOLOv8-seg尝试实例分割，用YOLOv8-pose尝试人体姿态估计，用YOLOv8-obb尝试旋转目标检测。
• 工程深化（部署）：学习使用TensorRT进行更极致的性能优化，探索在Jetson、树莓派等边缘设备上的部署，研究Web端（如ONNX Runtime Web）或移动端的部署方案。
• 领域应用：将这套方法论应用到你的具体领域，如工业质检（缺陷检测）、智慧交通（车辆行人检测）、安防监控、遥感图像分析等。

记住，在AI工程领域，选择一个成熟、稳定、生态完善的工具作为主力，远比盲目追逐最新版本更重要。YOLOv8就是这样一个“压舱石”式的选择。现在，你可以关闭这篇教程，打开你的代码编辑器，从准备你的第一个数据集开始，真正动手去训练一个属于你自己的YOLOv8模型了。

🚀 30+款热门AI模型一站整合，DeepSeek/GLM/Claude 随心用，限时 5 折。 👉 点击领海量免费额度