3、YOLOv8模型训练：自定义数据集准备、数据标注格式（COCO/YOLO）、训练超参数调优
好，咱们进入实战环节。前面聊了那么多理论，现在终于要动手了。这一章，我带你走一遍YOLOv8训练的全流程——从原始视频到能跑起来的模型。说白了，就是教你怎么喂数据给模型，再把它调教得服服帖帖。
3.1 自定义数据集准备：从行车记录仪到训练样本
做ADAS，最头疼的就是数据。你想想看，路上跑的车辆、行人、自行车，还有各种奇奇怪怪的障碍物，都得让模型认识。我刚开始做这个项目时，天真地以为网上随便下个数据集就能用，结果模型在高速上把路边的垃圾桶当成了行人...嗯，那场面，挺尴尬的。
数据采集有几个要点：
- 场景多样性：晴天、雨天、夜晚、隧道、逆光，都得有。我有个项目就是吃了这个亏，模型在隧道口直接罢工了。
- 分辨率与帧率：建议至少1080p，30fps以上。太低的话，远处的小目标根本看不清。
- 标注策略：不是每帧都标，那样太费人力。我一般隔5-10帧抽一帧，既能覆盖运动变化，又不会数据冗余。
3.2 数据标注格式：COCO vs YOLO，选哪个？
标注格式这事儿，其实没那么玄乎。COCO和YOLO，说白了就是坐标表示方式不一样。
| 对比项 | COCO格式 | YOLO格式 |
|---|---|---|
| 坐标表示 | 左上角(x,y) + 宽高(w,h) | 中心点(x,y) + 宽高(w,h) |
| 归一化 | 像素绝对值 | 相对图像尺寸（0~1） |
| 存储方式 | JSON文件 | 每张图一个txt文件 |
| 适用场景 | 通用检测、实例分割 | YOLO系列专用 |
我个人习惯用YOLO格式。为什么？因为YOLOv8原生支持，省去转换的麻烦。而且txt文件比JSON轻量多了，你想想看，一个数据集几万张图，JSON文件能大到几百兆，而txt文件加起来也就几十兆。
YOLO格式示例（每行一个目标）：
# class_id center_x center_y width height (全部归一化到0~1)
0 0.5 0.6 0.1 0.15
1 0.3 0.4 0.08 0.12这里要注意：类别ID从0开始。我见过有人从1开始标，结果模型训练出来，预测结果全错位了。这种低级错误，排查起来特别费时间。
3.3 数据集目录结构：别让路径搞死你
目录结构这事儿，看似简单，但坑不少。我建议按YOLO官方推荐的结构来：
dataset/
├── images/
│ ├── train/ # 训练集图片
│ ├── val/ # 验证集图片
│ └── test/ # 测试集图片（可选）
├── labels/
│ ├── train/ # 训练集标签
│ ├── val/ # 验证集标签
│ └── test/ # 测试集标签
└── data.yaml # 数据集配置文件data.yaml文件长这样：
train: ./dataset/images/train
val: ./dataset/images/val
test: ./dataset/images/test
nc: 3 # 类别数量
names: ['car', 'pedestrian', 'cyclist'] # 类别名称3.3 训练超参数调优：别让默认参数坑了你
YOLOv8的默认参数其实挺良心的，但ADAS场景特殊，得微调。我总结了一套调参思路，分享给你。
3.3.1 学习率（lr）
默认是0.01。但如果你数据集小（比如不到1000张），建议降到0.001。为什么？因为数据少，模型容易过拟合，学习率大了直接震荡。我有个项目，数据只有500张，用默认学习率训练，loss曲线像心电图一样...后来降到0.001，稳了。
3.3.2 Batch Size
这个看显存。我一般用16或32。但要注意：batch size越大，模型收敛越慢。你想想看，每次更新参数前要看更多样本，步子自然就小了。如果显存够，我建议用16，平衡速度和稳定性。
3.3.3 Epochs
ADAS场景，我建议至少300个epoch。别嫌多，因为小目标（比如远处的行人）需要更多迭代才能学到位。我一般用早停法（Early Stopping），patience设50个epoch，loss不降了就停。
3.3.4 数据增强参数
YOLOv8自带了很多增强策略，比如马赛克、翻转、色彩抖动。对于ADAS，我建议：
- 马赛克增强：打开，但mosaic=1.0有点猛，我一般降到0.5。不然模型容易学偏。
- 翻转：水平翻转打开，垂直翻转别开。你想想，路上哪有车是倒着开的？
- 色彩抖动：hsv_h、hsv_s、hsv_v适当调大，能提升光照鲁棒性。
3.4 训练命令与监控
训练命令很简单：
yolo train model=yolov8n.pt data=data.yaml epochs=300 batch=16 lr0=0.001训练过程中，我习惯用TensorBoard监控：
tensorboard --logdir runs/detect/train主要看三个指标：
- train/loss：训练损失，应该稳步下降
- val/mAP：验证集精度，如果震荡很大，说明学习率高了
- learning_rate：看看学习率变化是否符合预期
3.5 模型评估与导出
训练完，别急着部署。先看看模型在验证集上的表现：
yolo val model=runs/detect/train/weights/best.pt data=data.yaml重点关注mAP@0.5和mAP@0.5:0.95。对于ADAS，我要求mAP@0.5至少0.85以上，不然不敢上车。
最后导出模型：
yolo export model=runs/detect/train/weights/best.pt format=onnxONNX格式通用性好，后续部署到TensorRT或者OpenVINO都方便。
好了，这一章的内容就到这儿。数据准备和训练调参，说白了就是「喂好数据、调好参数」。下一章，咱们聊聊模型剪枝和量化，让模型在嵌入式设备上跑得更快。