YOLOv8 and YOLO on mobile

1. 環境需求

• Python 3.8 以上
• 建議使用虛擬環境（venv 或 conda）
• GPU（可選）：NVIDIA CUDA 11+（如需加速訓練）

2. 安裝步驟

2.1 建立虛擬環境（可選）

python -m venv yolovenv
source yolovenv/bin/activate   # macOS / Linux
yolovenv\Scripts\activate      # Windows

2.2 安裝 YOLOv8

YOLOv8 官方套件為 ultralytics

pip install ultralytics

2.3 測試是否安裝成功

yolo

若出現指令清單表示成功。

3. 基本使用方式

3.1 物件偵測（推論）

對影像檔案進行偵測：

yolo detect predict model=yolov8n.pt source=your_image.jpg

• model=yolov8n.pt：使用官方 Nano 模型
• source=：可放檔案、資料夾、影片或攝影機 (0)

範例（偵測影片）

yolo detect predict model=yolov8s.pt source=video.mp4

4. 訓練自己的資料集

4.1 資料集格式 (YOLO format)

資料夾結構：

datasets/
  mydata/
    images/
      train/
      val/
    labels/
      train/
      val/

4.2 建立資料集設定檔（data.yaml）

path: datasets/mydata
train: images/train
val: images/val

names:
  0: cat
  1: dog

4.3 開始訓練

yolo detect train model=yolov8n.pt data=data.yaml epochs=50 imgsz=640

常用參數：

• epochs=50：訓練迭代次數
• imgsz=640：影像尺寸
• batch=16：批次大小

5. 模型導出（Export）

YOLOv8 可輸出成多種格式：

yolo export model=runs/detect/train/weights/best.pt format=onnx

可支援格式：

• onnx
• openvino
• tflite
• coreml
• engine (TensorRT)

6. 在 Python 中呼叫 YOLOv8

from ultralytics import YOLO

model = YOLO("yolov8n.pt")
results = model("image.jpg")

# 取得偵測結果
for r in results:
    print(r.boxes)

7. 常見指令總整理