在计算机视觉项目中，我们常常需要处理多种任务：识别图片里有什么（分类）、找出物体在哪里（检测）、精确勾勒出物体的轮廓（分割）。过去，这通常意味着要分别学习、部署和维护多个不同的模型和框架，过程繁琐且资源消耗大。如果你也曾在项目集成中为这些任务切换工具而感到困扰，那么 Ultralytics 推出的 YOLOv8 将是一个极佳的解决方案。它在一个统一的框架内，通过简洁的 API 和一致的命令，优雅地支持了图像分类、目标检测和图像分割三大核心任务，真正实现了“一站式”解决。

本文将为你提供一份从零开始的 YOLOv8 实战指南。无论你是刚接触计算机视觉的新手，还是希望将 YOLOv8 集成到现有项目中的开发者，都能从中找到清晰的路径。我们将从最基础的环境搭建开始，逐步深入到三大任务（分类、检测、分割）的模型训练、推理验证和结果分析，并分享在实际项目中可能遇到的坑点及解决方案。学完本文，你将能够独立使用 YOLOv8 完成一个完整视觉项目的全流程开发。

1. YOLOv8 核心概念与任务解析

在深入代码之前，理解 YOLOv8 能做什么以及它背后的设计哲学至关重要。这有助于我们在后续实践中做出正确的选择。

1.1 YOLO 系列与 Ultralytics

YOLO（You Only Look Once）自 2015 年问世以来，以其“单次前向传播即可完成预测”的高效特性，彻底改变了实时目标检测领域。它不再像传统的 R-CNN 系列那样需要复杂的区域提议和多次分类，而是将检测任务视为一个统一的回归问题，直接在图像网格上预测边界框和类别概率，从而实现了速度与精度的卓越平衡。

Ultralytics 是 YOLOv5 及后续版本（包括 v8, v9, v10, v11, v26）的主要维护者和推动者。他们不仅提供了性能强大的预训练模型，更重要的是构建了一个高度模块化、用户友好的 Python 框架——ultralytics包。这个框架将训练、验证、预测、导出等复杂流程封装成简单的命令行工具和 Python API，极大地降低了计算机视觉应用的门槛。

1.2 YOLOv8 支持的三大任务

YOLOv8 是一个多任务模型，其架构经过精心设计，可以通过不同的“任务头”（Task Head）来适应不同的视觉任务。我们主要关注以下三种：

1. 图像分类（Classification）：回答“图像中主要是什么？”的问题。模型为整张图像输出一个或多个类别标签及其置信度。例如，输入一张图片，输出“猫”（99%）、“狗”（1%）。YOLOv8 的分类模型通常以-cls后缀标识，如yolov8n-cls.pt。

2. 目标检测（Object Detection）：回答“有什么物体，它们在哪里？”的问题。这是 YOLO 的看家本领。模型不仅识别出图像中的物体类别，还用矩形框（Bounding Box）标出它们的位置和大小。输出格式通常为[x_center, y_center, width, height, confidence, class_id]。检测模型是默认模型，如yolov8n.pt。

3. 实例分割（Instance Segmentation）：这是目标检测的进阶，回答“物体在哪里，并且它的精确轮廓是什么？”的问题。模型在检测的基础上，为每个独立的物体实例生成一个像素级的掩码（Mask），从而将物体从背景中精确地分割出来。分割模型以-seg后缀标识，如yolov8n-seg.pt。

重要区分：实例分割与语义分割（Semantic Segmentation）不同。语义分割是为图像中的每个像素分配一个类别标签（如天空、道路、汽车），但不区分同一类别的不同实例（两辆汽车会被归为同一片“汽车”区域）。而实例分割会区分出“汽车A”和“汽车B”两个独立的个体。YOLOv8 主要解决的是实例分割任务。

1.3 为什么选择 YOLOv8 进行一站式开发？

• 统一的代码库与 API：无论进行哪种任务，你导入的是同一个YOLO类，调用的是相似的train(),val(),predict()方法。这减少了学习成本，也便于在项目中统一管理代码。
• 一致的部署流程：训练好的模型可以一键导出为多种格式，如 ONNX, TensorRT, CoreML, TFLite 等，方便在不同平台（服务器、边缘设备、移动端）部署。这种一致性在工程化中价值巨大。
• 活跃的社区与生态：Ultralytics 维护着详尽的文档、丰富的示例和活跃的 GitHub 社区。遇到问题时，更容易找到解决方案和最佳实践。
• 平衡的性能：YOLOv8 在速度、精度和模型大小之间提供了良好的平衡，其n（纳米）、s（小）、m（中）、l（大）、x（特大）系列模型可以满足从移动端到数据中心的不同需求。

理解了这些基础，我们就可以动手搭建环境，开始我们的实战之旅了。

2. 环境准备与安装指南

一个干净、版本匹配的环境是成功的第一步。以下步骤在 Ubuntu 20.04/22.04 和 Windows 10/11 上均经过测试，也适用于 macOS。

2.1 基础环境要求

• 操作系统：Linux (推荐), Windows, macOS。
• Python：3.8 或更高版本。这是ultralytics包的要求。
• CUDA（可选但强烈推荐）：如果你有 NVIDIA GPU 并希望加速训练和推理，需要安装 CUDA 工具包和 cuDNN。YOLOv8 支持 CUDA 11.8 和 12.x。本文示例使用 CUDA 11.8。
• PyTorch：这是 YOLOv8 的底层深度学习框架。我们需要安装与 CUDA 版本对应的 PyTorch。

2.2 逐步安装流程

我们使用conda来管理 Python 环境，它能很好地解决包依赖冲突问题。如果你习惯使用venv或pipenv，原理相通。

步骤 1：创建并激活独立的虚拟环境

# 创建一个名为 yolov8 的 Python 3.9 环境 conda create -n yolov8 python=3.9 -y # 激活环境 conda activate yolov8

步骤 2：安装 PyTorch 与 CUDA 支持访问 PyTorch 官网 获取最新的安装命令。以下命令适用于 CUDA 11.8：

# 使用 conda 安装 (网络可能较慢) conda install pytorch torchvision torchaudio pytorch-cuda=11.8 -c pytorch -c nvidia # 或者使用 pip 安装 (通常更快) pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118

安装后，在 Python 中验证 CUDA 是否可用：

import torch print(torch.__version__) # 输出 PyTorch 版本，如 2.2.0 print(torch.cuda.is_available()) # 输出 True 表示 CUDA 可用 print(torch.cuda.get_device_name(0)) # 输出你的 GPU 型号，如 ‘NVIDIA GeForce RTX 4090‘

步骤 3：安装 Ultralytics YOLOv8这是核心步骤，非常简单：

pip install ultralytics

这个命令会自动安装ultralytics包及其所有依赖（如opencv-python,pillow,matplotlib等）。

步骤 4：验证安装安装完成后，运行一个快速测试，确保一切正常：

# 使用命令行接口 (CLI) 测试 yolo checks

这条命令会检查环境配置，并下载一个小的测试模型进行快速推理。如果看到类似 “Ultralytics YOLOv8.0.0 … checks passed” 的信息，说明安装成功。

你也可以在 Python 中验证：

from ultralytics import YOLO print(YOLO) # 应该输出 <class ‘ultralytics.YOLO‘>

至此，你的 YOLOv8 开发环境已经准备就绪。接下来，我们将分别探索三大任务。

3. 任务一：使用 YOLOv8 进行图像分类

图像分类是许多应用的基础，比如相册自动归类、工业品瑕疵分类等。YOLOv8 的分类模型轻量且高效。

3.1 使用预训练模型进行推理

让我们先从最简单的开始：用官方预训练模型对一张图片进行分类。YOLOv8 在 ImageNet 数据集上预训练了分类模型。

# 文件：classify_predict.py from ultralytics import YOLO import cv2 # 1. 加载一个预训练的分类模型 # ‘yolov8n-cls.pt‘ 是纳米尺度的分类模型，体积小速度快。 model = YOLO(‘yolov8n-cls.pt‘) # 2. 指定预测源，可以是一张图片、一个视频文件、一个目录或摄像头ID（如 0） source = ‘path/to/your/image.jpg‘ # 请替换为你的图片路径 # 例如，你可以下载一只猫的图片: ‘https://ultralytics.com/images/bus.jpg‘ # 3. 执行预测 # `verbose=False` 关闭冗余日志，`save=True` 保存带结果的可视化图片 results = model.predict(source=source, save=True, verbose=False) # 4. 解析并打印结果 for result in results: # 分类结果存储在 `probs` 属性中 probs = result.probs # 这是一个 Probs 对象 top5_indices = probs.top5 # 置信度最高的前5个类别的索引 top5_conf = probs.top5conf # 对应的置信度 class_names = result.names # 获取类别名称映射字典 print(“预测结果：“) for idx, conf in zip(top5_indices, top5_conf): class_name = class_names[idx] print(f“ {class_name}: {conf:.4f}“) # 格式化输出，保留4位小数

运行此脚本，你会在runs/classify/predict/目录下找到标注了 top1 类别和置信度的输出图片，并在控制台看到 top5 的预测结果。

3.2 训练自定义分类模型

预训练模型虽好，但通常我们需要针对自己的业务数据（如特定种类的植物、工业零件）训练专属分类器。

步骤 1：准备数据集YOLOv8 分类任务期望的数据集结构如下：

custom_classify_dataset/ ├── train/ │ ├── class1/ # 类别1的图片 │ │ ├── img1.jpg │ │ └── img2.jpg │ ├── class2/ # 类别2的图片 │ │ ├── img3.jpg │ │ └── ... │ └── ... └── val/ ├── class1/ │ ├── img100.jpg │ └── ... ├── class2/ │ └── ... └── ...

train和val目录下的子文件夹名称就是类别标签。这是 ImageNet 的标准格式，非常简单。

步骤 2：创建数据集配置文件创建一个 YAML 文件（如data/classify_custom.yaml）来告诉 YOLOv8 数据集的位置和类别。

# data/classify_custom.yaml path: /home/user/datasets/custom_classify_dataset # 数据集根目录 train: train # 训练集相对路径（相对于 path） val: val # 验证集相对路径（相对于 path） names: 0: cat # 类别索引与名称的映射 1: dog 2: bird # 注意：names 的顺序必须与 train/val 下子文件夹的字母顺序一致，或者不指定 names，YOLO会自动从文件夹名读取。

步骤 3：启动训练使用 CLI 或 Python API 开始训练。这里展示 Python API 的方式：

# 文件：classify_train.py from ultralytics import YOLO # 加载一个预训练的分类模型作为起点（迁移学习） model = YOLO(‘yolov8n-cls.pt‘) # 开始训练 results = model.train( data=‘data/classify_custom.yaml‘, # 数据集配置文件路径 epochs=100, # 训练轮数 imgsz=224, # 输入图像尺寸，分类常用224 batch=16, # 批次大小，根据GPU内存调整 device=‘0‘, # 使用 GPU 0，如果是CPU则设为 ‘cpu‘ project=‘runs/classify‘, # 项目保存目录 name=‘custom_train‘, # 实验名称 verbose=True # 打印训练日志 )

训练过程中，损失曲线、准确率等指标会实时显示。训练完成后，最佳模型会保存在runs/classify/custom_train/weights/best.pt。

关键参数解释：

• epochs: 整个数据集被遍历的次数。太少可能欠拟合，太多可能过拟合，需要根据数据集大小调整。
• imgsz: 模型输入的图像尺寸。更大的尺寸可能带来更好的精度，但会显著增加计算量和内存消耗。分类任务常用 224x224。
• batch: 一次前向/反向传播中处理的图片数量。增大 batch 可以加速训练并稳定梯度，但受限于 GPU 显存。
• device: 指定训练设备。可以指定单个 GPU (‘0‘)，多个 GPU (‘0,1‘)，或 CPU (‘cpu‘)。

4. 任务二：使用 YOLOv8 进行目标检测

目标检测是 YOLO 的经典应用场景，广泛应用于安防监控、自动驾驶、零售分析等领域。

4.1 使用预训练模型进行检测推理

YOLOv8 提供了在 COCO 数据集上预训练的检测模型，可以识别 80 种常见物体。

# 文件：detect_predict.py from ultralytics import YOLO import cv2 # 加载预训练检测模型（默认就是检测模型） model = YOLO(‘yolov8n.pt‘) # 也可以选择 yolov8s.pt, yolov8m.pt 等 # 预测 source = ‘path/to/your/image.jpg‘ results = model.predict(source, save=True, save_txt=True, conf=0.25, iou=0.7) # 可视化结果（可选，predict已保存图片） for r in results: # 使用 OpenCV 显示图片 im_array = r.plot() # 绘制了边界框和标签的 BGR numpy 数组 cv2.imshow(‘YOLOv8 Detection‘, im_array) cv2.waitKey(0) cv2.destroyAllWindows() # 访问原始检测结果 boxes = r.boxes # Boxes 对象，包含边界框信息 if boxes is not None: print(f“检测到 {len(boxes)} 个物体：“) for box in boxes: # 获取坐标 (xyxy格式), 置信度, 类别ID x1, y1, x2, y2 = box.xyxy[0].tolist() conf = box.conf.item() cls_id = int(box.cls.item()) cls_name = r.names[cls_id] print(f“ {cls_name}: 置信度={conf:.2f}, 位置=[{x1:.0f}, {y1:.0f}, {x2:.0f}, {y2:.0f}]“)

运行后，结果图片保存在runs/detect/predict/，同时save_txt=True会将检测结果（类别、位置、置信度）以 YOLO 格式的.txt文件保存，便于后续分析。

4.2 训练自定义目标检测模型

自定义检测是 YOLOv8 最常用的功能。你需要一个标注好的数据集。

步骤 1：准备数据集与标注YOLOv8 检测任务支持多种标注格式，最常用的是YOLO 格式。

• 每张图片对应一个.txt标注文件。
• 每行表示一个物体：<class_id> <x_center> <y_center> <width> <height>
• 坐标是归一化的（0-1之间），相对于图片的宽高。

数据集目录结构：

custom_detect_dataset/ ├── images/ │ ├── train/ # 训练集图片 │ │ ├── img1.jpg │ │ └── ... │ └── val/ # 验证集图片 │ ├── img100.jpg │ └── ... └── labels/ ├── train/ # 训练集标签 (与图片同名，.txt后缀) │ ├── img1.txt │ └── ... └── val/ # 验证集标签 ├── img100.txt └── ...

步骤 2：创建数据集配置文件创建data/detect_custom.yaml:

# data/detect_custom.yaml path: /home/user/datasets/custom_detect_dataset # 数据集根目录 train: images/train # 训练图片路径（相对于 path） val: images/val # 验证图片路径（相对于 path） # 类别名称和数量 nc: 3 # 类别数量，例如 3 类 names: [‘person‘, ‘car‘, ‘dog‘] # 类别名称列表，顺序与 class_id 对应

步骤 3：启动训练

# 文件：detect_train.py from ultralytics import YOLO # 加载预训练模型（强烈推荐，迁移学习效果更好） model = YOLO(‘yolov8n.pt‘) # 开始训练 results = model.train( data=‘data/detect_custom.yaml‘, epochs=100, imgsz=640, # 检测任务常用 640 batch=16, device=‘0‘, project=‘runs/detect‘, name=‘custom_detect_train‘, patience=50, # 早停耐心值，如果精度在指定epoch内无提升则停止训练 save=True, save_period=10, # 每10个epoch保存一次检查点 pretrained=True, # 使用预训练权重（默认就是True） optimizer=‘auto‘, # 自动选择优化器 lr0=0.01, # 初始学习率 weight_decay=0.0005 )

训练日志和模型权重会保存在runs/detect/custom_detect_train/下。你可以使用 TensorBoard 或 Ultralytics 自带的日志来监控训练过程。

5. 任务三：使用 YOLOv8 进行实例分割

实例分割结合了检测和像素级分割，适用于需要精确物体轮廓的场景，如医学图像分析、机器人抓取。

5.1 使用预训练分割模型推理

# 文件：segment_predict.py from ultralytics import YOLO import cv2 import numpy as np model = YOLO(‘yolov8n-seg.pt‘) # 加载分割模型 source = ‘path/to/your/image.jpg‘ results = model.predict(source, save=True, save_txt=False, save_conf=True) for r in results: # 可视化（会自动保存） im_array = r.plot() # 这个 plot 方法会同时绘制框和掩码 cv2.imshow(‘YOLOv8 Segmentation‘, im_array) cv2.waitKey(0) # 访问分割结果 if r.masks is not None: masks = r.masks # Masks 对象 boxes = r.boxes print(f“分割出 {len(masks)} 个实例：“) for i, (mask, box) in enumerate(zip(masks.xy, boxes)): # mask.xy 是轮廓点坐标列表（多边形格式） cls_id = int(box.cls.item()) cls_name = r.names[cls_id] conf = box.conf.item() print(f“ 实例 {i}: {cls_name}, 置信度 {conf:.2f}, 轮廓点数 {len(mask)}“) # 你可以用这些轮廓点做进一步处理，比如计算面积、裁剪物体等。

5.2 训练自定义实例分割模型

分割数据集的准备比检测更复杂，因为需要多边形掩码标注。

步骤 1：准备数据集与标注推荐使用标注工具如LabelMe,CVAT,Roboflow生成多边形标注，并导出为COCO JSON格式或YOLO 分割格式。

• YOLO 分割格式：在检测的.txt文件基础上，每一行在类别和归一化坐标后，追加多边形的归一化坐标点。

  <class_id> <x1> <y1> <x2> <y2> ... <xn> <yn>

  例如：0 0.5 0.5 0.6 0.5 0.55 0.6 ...

数据集目录结构与检测类似，但labels文件夹下的.txt文件包含多边形信息。

步骤 2：创建数据集配置文件与检测的 YAML 文件格式完全相同，只需确保path,train,val,nc,names设置正确。

步骤 3：启动训练训练代码与检测训练几乎一模一样，唯一的区别是加载的预训练模型是分割模型。

# 文件：segment_train.py from ultralytics import YOLO # 关键：加载分割预训练模型！ model = YOLO(‘yolov8n-seg.pt‘) results = model.train( data=‘data/segment_custom.yaml‘, # 配置文件指向你的分割数据集 epochs=100, imgsz=640, batch=8, # 分割任务更耗显存，batch可以设小一点 device=‘0‘, project=‘runs/segment‘, name=‘custom_segment_train‘, # ... 其他参数与检测训练类似 )

训练完成后，你就可以使用自己的best.pt模型进行精确的实例分割了。

6. 模型验证、导出与部署

训练完成后，我们还需要对模型进行评估，并将其转换为适合生产环境的格式。

6.1 模型验证（Validation）

使用验证集评估训练好的模型性能，生成 mAP、精度、召回率等关键指标。

# 文件：val_model.py from ultralytics import YOLO # 加载训练好的最佳模型 model = YOLO(‘runs/detect/custom_detect_train/weights/best.pt‘) # 在验证集上评估 metrics = model.val( data=‘data/detect_custom.yaml‘, split=‘val‘, # 使用验证集 imgsz=640, batch=16, device=‘0‘, conf=0.001, # 评估时使用的置信度阈值 iou=0.6, # 评估时使用的 IoU 阈值 save_json=True, # 保存 JSON 格式的评估结果 save_hybrid=True, # 保存混合标签（用于后续分析） project=‘runs/val‘, name=‘detect_val‘ ) # metrics 是一个包含丰富指标的对象 print(f“mAP50-95: {metrics.box.map:.4f}“) # COCO mAP @ 0.5:0.95 print(f“mAP50: {metrics.box.map50:.4f}“) # mAP @ 0.5 IoU print(f“Precision: {metrics.box.p:.4f}“) # 精度 print(f“Recall: {metrics.box.r:.4f}“) # 召回率

6.2 模型导出（Export）

为了在不同平台（如 TensorRT, ONNX Runtime, CoreML, TFLite）上高效推理，需要将 PyTorch 模型导出为相应格式。

# 文件：export_model.py from ultralytics import YOLO model = YOLO(‘runs/detect/custom_detect_train/weights/best.pt‘) # 导出为 ONNX 格式（广泛支持的中间格式） success = model.export(format=‘onnx‘, imgsz=640, simplify=True, opset=12) # 导出为 TensorRT（NVIDIA GPU 极致加速） # success = model.export(format=‘engine‘, imgsz=640, device=0) # 导出为 TFLite（移动端/边缘设备） # success = model.export(format=‘tflite‘, imgsz=640, int8=True) # 可量化 if success: print(“模型导出成功！“)

导出后，你会得到best.onnx,best.engine等文件，可以使用对应的推理引擎加载。

6.3 使用导出的模型进行推理

以 ONNX 模型为例，你可以脱离ultralytics库，使用onnxruntime进行推理，这在生产部署中很常见。

pip install onnxruntime-gpu # 如果使用GPU # 或 pip install onnxruntime # 使用CPU

# 文件：infer_onnx.py (简化示例) import cv2 import numpy as np import onnxruntime as ort # 1. 加载 ONNX 模型和创建会话 onnx_model_path = ‘best.onnx‘ session = ort.InferenceSession(onnx_model_path, providers=[‘CUDAExecutionProvider‘, ‘CPUExecutionProvider‘]) # 2. 预处理图像 img = cv2.imread(‘test.jpg‘) img_rgb = cv2.cvtColor(img, cv2.COLOR_BGR2RGB) img_resized = cv2.resize(img_rgb, (640, 640)) input_tensor = img_resized.transpose(2, 0, 1).astype(np.float32) / 255.0 # HWC to CHW, 归一化 input_tensor = np.expand_dims(input_tensor, axis=0) # 添加 batch 维度 # 3. 推理 input_name = session.get_inputs()[0].name outputs = session.run(None, {input_name: input_tensor}) # 4. 后处理 (解析 outputs，包含框、分数、类别等) # 注意：ONNX 模型的输出结构与原始 YOLO 略有不同，需要根据导出时的配置进行解析。 # Ultralytics 导出的 ONNX 模型输出格式通常是 (1, 84, 8400) 之类的。 # 这里省略复杂的后处理代码，实际使用时建议参考 Ultralytics 的导出文档或源码。 print(“推理完成，输出形状：“, [o.shape for o in outputs])

7. 常见问题与排查思路（FAQ）

在实际使用 YOLOv8 的过程中，你可能会遇到一些典型问题。下面是一个快速排查指南。

8. 最佳实践与工程建议

将 YOLOv8 从实验成功推向稳定生产，需要注意以下工程细节：

1. 数据是王道：

   • 质量高于数量：1000张标注精准的图片远胜于10000张噪声数据。定期清洗数据集。
   • 均衡分布：尽量让每个类别的样本数量相对均衡，避免模型偏向于多数类。
   • 代表性验证集：验证集必须独立于训练集，并能真实反映实际应用场景的分布。

2. 系统化实验管理：

   • 使用项目与实验名：在train()中设置project和name，所有日志、权重、配置都会自动归档，便于回溯和比较。
   • 版本控制：对代码、数据集配置文件 (data.yaml)、关键训练脚本进行 Git 版本控制。
   • 记录超参数：YOLOv8 会自动将训练参数保存在args.yaml中，务必保留。

3. 训练策略优化：

   • 学习率调度：YOLOv8 内置了余弦退火等调度器。对于小数据集，可以尝试更小的lr0(如 0.001) 和更长的warmup_epochs。
   • 数据增强：默认的数据增强已很强。对于特殊场景（如小目标、遮挡），可以适度调整mosaic,mixup,copy_paste等增强概率。
   • 早停（Early Stopping）：合理设置patience参数，防止过拟合，节省训练时间。

4. 模型选择与部署：

   • 精度-速度权衡：根据应用场景选择模型尺寸。服务器端可追求精度 (l,x)，移动端/边缘端优先考虑速度 (n,s)。
   • 量化（Quantization）：部署到资源受限设备时，使用int8量化（如导出 TFLite INT8 模型）可以大幅减少模型体积和提升推理速度，精度损失通常很小。
   • 预处理/后处理优化：在部署时，将图像归一化、缩放等预处理以及 NMS 后处理集成到推理引擎（如 TensorRT）中，能极大提升端到端性能。

5. 生产环境监控与维护：

   • 模型退化监控：上线后，持续收集真实场景的推理结果（需人工抽样审核），监控指标（如准确率）是否随时间下降（概念漂移）。
   • A/B测试与迭代：新模型上线前，与旧模型进行线上 A/B 测试，确保性能提升。建立持续的数据收集-标注-训练-评估-部署流水线。

通过遵循上述从环境搭建、任务实践到生产部署的完整流程，你不仅能够掌握 YOLOv8 解决图像分类、目标检测和实例分割三大任务的核心技能，更能建立起一套规范的深度学习项目开发方法论。YOLOv8 的强大之处在于其将前沿算法与卓越的工程易用性相结合，让开发者能更专注于解决业务问题本身。现在，你可以选择一个感兴趣的任务，准备好自己的数据，开始你的第一个 YOLOv8 项目实战了。如果在实践中遇到具体问题，Ultralytics 的官方文档和活跃的 GitHub 社区将是你的强大后盾。