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。

⚙️ 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-smi

importos HOME=os.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 ultralytics==8.2.103-q# 关闭 Ultralytics 运行统计同步!yolo settings sync=FalsefromIPythonimportdisplay 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 task=classify mode=predict model=yolov8n-cls.pt conf=0.25source='/content/example'

%cd{HOME}Image(filename='runs/classify/predict/dog.jpeg',height=600)

model=YOLO(f'{HOME}/yolov8n-cls.pt')results=model.predict(source='/content/example',conf=0.25)

📦 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dataset=SimpleNamespace(location=DATASET_DIR,version="1",name="custom-dataset")

!mv{dataset.location}/valid{dataset.location}/val

🏋️ 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 task=classify mode=train model=yolov8n-cls.pt data={dataset.location}epochs=25imgsz=128

!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 task=classify mode=val 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 task=classify mode=predict model={HOME}/runs/classify/train/weights/best.pt conf=0.25source={dataset.location}/test/overripe

importglobfromIPython.displayimportImage,displayforimage_pathinglob.glob(f'{HOME}/runs/classify/predict2/*.jpg')[:3]:display(Image(filename=image_path,width=600))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="./runs"MODEL_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 OCR

• RF-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