企业官网建设流程全解析

简介：面向深度学习目标检测入门与实战人群，这是一套基于YOLOv8的多类别瓶子识别检测系统源码包。系统使用YOLOv8的detect目标检测分支，附带训练好的模型权重，平均准确率达0.95，覆盖bottle类别，并配有完整部署教程、数据集配置YAML及各类评估指标曲线，可直接用于工业质检、垃圾分类、生产线瓶体计数等场景。压缩包共488个文件，约89.27MB，以Python源码（py）、说明文档（md）、配置文件（yaml/yml）为主，辅以模型权重（pt）、测试图片与结果图表（jpg/png），并包含Dockerfile、C++推理demo等跨平台部署辅助文件。源码基于ultralytics-main，兼容Windows、macOS、Linux，环境搭建、训练与推理均有清晰步骤，支持多GPU训练；训练完成后自动生成runs/detect结果目录，便于查看PR曲线、混淆矩阵等指标并快速替换模型进行图片或视频推理。已有2653人学习下载，适合希望快速上手YOLOv8训练与部署、完成瓶子检测项目的学生和工程师。

1. 拿到瓶子检测源码包：先搞清楚这个包在解决什么问题

一瓶矿泉水、一罐可乐、一个玻璃药瓶混在一起，产线要按类别计数、回收站要分拣、实验室要盘库——这类场景用基于YOLOv8的瓶子识别检测系统，是当下见效最快的路线。标题里的压缩包，本质上给你三样东西：部署教程、训练好的模型权重、训练过程中生成的各种评估指标曲线。你拿到手第一步不是读代码，而是把环境配好、把模型在图片上跑出检测框，再决定要不要用自己的瓶子数据做二次训练。这篇笔记就按这个顺序推进：先讲压缩包内部结构和YOLOv8环境配置，再讲推理和部署，然后是yolov8训练自己的数据集，最后把坑和进阶技巧一起列出来。

2. 压缩包内部结构与YOLOv8环境配置：先跑通再谈优化

2.1 源码包里通常有什么：按用途给文件归类

这类打包不会只丢一个权重文件给你，我习惯先按用途把文件分四组看。第一组是训练好的模型，通常是best.pt和last.pt，前者是验证集指标最好的权重，后者是最后一轮保存的权重，日常推理和部署一般用best.pt。第二组是评估指标曲线，常见的有results.png、PR_curve.png、confusion_matrix.png、F1_curve.png，它们长在runs/detect或runs/train目录下，YOLOv8 训练完会自动生成。第三组是训练配置，包括data.yaml和args.yaml，前者记录数据集路径和类别名，后者记录训练超参。第四组是推理入口脚本和说明文档，部署教程一般以 Markdown 或者 README 形式出现。

拿到压缩包后，我一般先看一眼data.yaml里的nc值和names列表，这决定了后面所有命令的类别参数。如果压缩包里的模型是在 3 个瓶子类别上训练的，但你自己有 5 类瓶子，直接拿来推理没问题，想再继续训练就必须改data.yaml并重新标注数据。文件清单不需要背，理解每个文件在训练和部署链条里扮演什么角色，比记住目录结构重要得多。

常见目录结构如下表，具体打包方式会有出入，思路是通用的。

2.2 从零配置 YOLOv8 环境：conda 加 ultralytics 一次跑通

YOLOv8 环境配置是很多新手卡住的第一道坎，主要是 PyTorch 和 CUDA 版本的匹配问题。我的固定做法是用 conda 单独建一个 Python 3.10 环境，先装 ultralytics 本体，再单独装带 CUDA 支持的 PyTorch，顺序不能反。如果直接pip install ultralytics，pip 很可能给你装一个 CPU 版本的 torch，推理慢到怀疑人生。

# 创建独立环境，避免污染系统 Python conda create -n bottle python=3.10 -y conda activate bottle # ultralytics 是 YOLOv8 的官方包，会自动带 opencv、numpy 等依赖 pip install ultralytics -i https://pypi.tuna.tsinghua.edu.cn/simple # 单独装 CUDA 版 PyTorch，cu118 对 GTX 16 系列和 RTX 20/30 系列都友好 pip install torch torchvision --index-url https://download.pytorch.org/whl/cu118

环境配好后，先做两个验证再继续。第一是确认 PyTorch 能不能调用显卡，第二是确认 ultralytics 版本能加载模型。用下面这一段 Python 做体检。

import torch from ultralytics import YOLO # 显卡不可用时，后面所有训练都要回到 CPU，慢几十倍 print("CUDA available:", torch.cuda.is_available()) # 用一个最小的官方权重测试加载流程，顺便看一眼网络结构 model = YOLO("yolov8n.pt") print(model.model)

如果torch.cuda.is_available()返回False，大概率是 PyTorch 装成了 CPU 版，或者 NVIDIA 驱动太老。驱动不用追新，但 CUDA 版本和 PyTorch 的编译版本要对上，cu118 对应 CUDA 11.8，cu121 对应 CUDA 12.1。GTX 1660 Ti 这类老卡我建议直接用 cu118，兼容性最好。模型能够加载之后，再切回压缩包自带的best.pt，环境这一步就算过关了。

2.3 用一颗验证图确认权重没损坏：shape、类别、一次推理

加载了best.pt之后，先别急着训练，先确认这个权重文件是完好的、类别数和你预期一致。最稳妥的做法是输出模型的输入尺寸和类别映射，再拿一张没参与过训练的瓶子照片试推一次。

from ultralytics import YOLO model = YOLO("runs/detect/train/weights/best.pt") # 打印模型结构，重点看 Detect 头的 nc（类别数） model.info() # 推理一把，save=True 会把画好框的结果存到 runs/detect/predict 下 results = model.predict( source="bottle_test.jpg", save=True, conf=0.25, imgsz=640 )

这段代码里的conf=0.25是关键参数，意思是只有置信度大于 0.25 的框才会被画出来。瓶子检测场景里，如果画面里反光严重，0.25 可能漏检，我会先调低到 0.15 看全部候选框，再根据评估指标曲线决定最终阈值。imgsz=640是输入分辨率，先用默认值跑通，后面发现小瓶子漏检再往上提。

如果推理结果里没有检测框，先看model.names输出的类别名是不是瓶子的英文，再看图片本身是不是高清正面照。权重能正常出框，说明压缩包里训练好的模型是能用的，后面所有定制化工作都从这个起点展开。

3. 把训练好的模型跑起来：图片、视频、边缘设备部署的完整链路

3.1 单张图片和目录推理：三行命令覆盖 80% 的验证场景

YOLOv8 的推理入口非常统一，命令行和 Python 都支持。日常快速验证我直接用yolo detect predict命令，它背后就是 ultralytics 的预测引擎，不需要写 Python 脚本。

# 单张图片推理，结果会输出到 runs/detect/predict 目录 yolo detect predict model=best.pt \ source=bottle_test.jpg \ save=True \ conf=0.25 # 整个目录的图片一口气跑完，适合批量验证评估指标 yolo detect predict model=best.pt \ source=./test_images/ \ save=True \ conf=0.2 \ imgsz=640

命令行的参数和 Python 调用是同一套，model指定权重，source指定图片或目录，save决定是否把画框图片落盘，conf是置信度阈值，imgsz是输入尺寸。批量推理时我会把conf放低到 0.15 到 0.2，目的不是追求精度，而是把所有可能的候选框都找出来，再去看哪些是误检，哪些是模型确实没学会的特征。

3.2 视频和摄像头实时检测：关键参数是stream和max-det

传送带场景基本都是视频流或者 RTSP 摄像头，YOLOv8 对视频推理做了封装，source里传视频路径或摄像头地址就行。这里有个容易忽略的参数stream=True，在 Python 里调用时一定要写，否则视频帧会被一次读入内存，长时间跑会爆内存。

from ultralytics import YOLO model = YOLO("best.pt") # stream=True 会按帧迭代，不断释放前一帧的内存 results = model.predict( source="rtsp://192.168.1.10:554/stream1", stream=True, conf=0.2, imgsz=640, max_det=20 ) for frame_result in results: # 每帧返回一个 Results 对象，boxes 里有坐标、置信度、类别 boxes = frame_result.boxes print(f"这一帧检测到 {len(boxes)} 个物体")

实时场景里max_det=20值得加上，它限制每一帧最多输出 20 个检测框。瓶子检测通常一帧也就十来个目标，加这个参数能避免在目标堆叠时出现大量低质量冗余框，也顺带压低了 NMS 的耗时。还有一个参数是vid_stride，控制每隔多少帧做一次推理，比如vid_stride=2就是跳帧检测，帧率能翻一倍，代价是运动目标偶尔会被跳过。

3.3 部署到 RK3588 等边缘设备：先导出 ONNX 再转 RKNN

很多生产环境不是拿 PC 跑检测，而是要部署到 RK3588 这类边缘盒子。YOLOv8 导出的链路很清晰，先在 PC 上把 PyTorch 权重导出成 ONNX，再用 RKNN-Toolkit2 转换成 RKNN 格式，最后用 C 接口加载推理。

from ultralytics import YOLO model = YOLO("best.pt") # opset=12 是 RKNN 工具链比较稳妥的兼容版本 # half=True 导出 FP16 权重，RK3588 的 NPU 对 FP16 支持更完整 model.export(format="onnx", imgsz=640, opset=12, half=True)

导出之后你会得到一个.onnx文件，用 RKNN-Toolkit2 转 RKNN 时注意两点。第一，输入尺寸要固定为 640，动态尺寸在 NPU 上要么不支持，要么性能很差，我一般都直接--fix_input锁定。第二，预处理里的 BGR 转 RGB、归一化到 0-1，这些操作要挪到 RKNN 的量化配置里去做，不要在推理代码里重复做一遍，否则颜色通道对不上，检测框会整体乱飘。边缘部署最大的坑不是模型精度，而是预处理和后处理在 C 代码里重写时和 Python 版不一致。

4. 训练自己的数据集：从标注到读懂评估指标曲线的完整流程

4.1 先搭数据集目录：标注工具与目录划分的固定套路

压缩包自带的模型是基于公开数据集或作者自己的瓶子图片训练的，搬到你的产线、你的光源、你的摄像头角度下，大概率要重新训练。第一步是整理数据集，我习惯把图片和标签分开两个大目录，再按 train 和 val 划分。

datasets/bottle/ ├── images/ │ ├── train/ # 训练集图片 │ └── val/ # 验证集图片 ├── labels/ │ ├── train/ # 和图片同名的 txt 标签 │ └── val/ └── data.yaml

标注工具用 LabelImg 就行，标注格式选 YOLO，它会直接生成和图片同名的 txt 文件。每个 txt 文件里每一行对应一个目标，格式是class_id x_center y_center width height，四个坐标值都是归一化到 0-1 的小数。数据量上，我的血泪经验是：一个类别最少 150 到 200 个目标，并不是要 200 张图，而是这 200 个目标要覆盖不同角度、不同光照、不同遮挡程度。瓶子这类形状规整的目标容易低估数据多样性需求，结果就是训练完之后换个角度就漏检。

4.2 写 data.yaml：类别 ID 从 0 开始，路径用绝对路径

YOLOv8 训练时读取的data.yaml是数据集的唯一入口，这个文件写错会让整个训练白跑。最常见两个问题：一是路径用了相对路径，换个机器直接找不到图片；二是类别 ID 从 1 开始标，而 YOLO 要求从 0 开始。

# 推荐全部用绝对路径，训练和验证都方便定位 path: D:/datasets/bottle train: images/train val: images/val nc: 3 names: 0: plastic_bottle 1: glass_bottle 2: metal_can

nc是类别数，names是类别名列表，这里的索引必须和 txt 标签里的 class_id 一一对应。如果你标注的时候把玻璃瓶标成 class 2，但 names 里索引 2 写的是金属罐，训练不会报错，但评估曲线和推理结果会乱套。检查方式很简单，随机打开一个 txt 文件，看第一个数字有没有超出nc-1，再看对应的英文名对不对。

4.3 GTX 1660 Ti 也能跑的启动训练参数：显存不够就减 batch

训练入口同样是yolo detect train，重点在超参数的选择。GTX 1660 Ti 显存一般是 6GB，跑 YOLOv8s 合理，硬上 YOLOv8m 或 YOLOv8l 会爆显存。

yolo detect train \ model=yolov8s.pt \ data=D:/datasets/bottle/data.yaml \ epochs=100 \ imgsz=640 \ batch=8 \ lr0=0.01 \ patience=20 \ device=0 \ project=runs/bottle \ name=train_v1

model=yolov8s.pt是预训练权重，用它做初始化能显著加速收敛，比随机权重快得多。batch=8在 6GB 显存下是安全值，如果显存报 OOM，就降到 4。lr0=0.01是初始学习率，这个值对迁移训练是安全的，但如果你发现 loss 曲线反复震荡，下一步就是把它降到 0.001。patience=20的意思是连续 20 轮验证集 mAP 不涨就早停，能省时间，也能避免过拟合。训练过程会实时打印 box_loss、cls_loss、mAP 这些指标，同时往runs/bottle/train_v1目录写results.png和权重文件。

4.4 读懂评估指标曲线：results.png 里每个子图都在说什么

训练完成后，results.png里是一组小图，从上到下依次是训练 loss、验证 loss、精确率、召回率、mAP50、mAP50-95 这几条曲线。读图时我主要看两个地方。第一，训练 loss 和验证 loss 之间的距离，训练 loss 一直降但验证 loss 在提升，说明过拟合了，早停或者加数据增强都能压住。第二，mAP50 曲线是否进入平台期，正常情况 mAP50 先快速上升，然后慢慢趋平，如果平台期 mAP50 还在 0.8 以下，说明数据量或特征区分度不够，不是单纯调参能解决的问题。

mAP50 和 mAP50-95 这两个指标的差异要特别说清楚。mAP50 是 IoU 阈值为 0.5 时算的平均精度，适合判断检测框大概位置对不对；mAP50-95 是 IoU 从 0.5 到 0.95 取平均，对框的贴合程度要求苛刻得多。瓶子这类边界清晰的目标，mAP50 很容易做到 0.95 以上，但 mAP50-95 能到 0.8 就算不错了，如果你的 mAP50 高而 mAP50-95 偏低，说明框的位置偏了，优先去调标注质量而不是网络结构。

5. 避坑清单：瓶子检测从训练到部署的五个高频翻车点

5.1 训练时报 "class labels missing" 或 loss 固定在某个值不动

现象是训练刚开始几轮，日志里出现类似WARNING labels not found in ...或AssertionError: Class labels missing，然后 loss 值长时间不变。原因是训练集里存在空的 txt 文件，或者标签里出现了nc范围外的类别 ID。我常用的排查命令是遍历所有标签文件，检查每行的第一个数字是否在0到nc-1之间。解决方法是把空文件删掉，把越界的类别 ID 修正回来，重新检查目录结构后再启动训练。

5.2 检测框把托盘和瓶盖背景也框进去

现象是检测结果里除了瓶子，还有大量重叠在托盘边缘、瓶盖反光点上的误检框。原因通常是训练数据里正样本背景太单一，模型把背景纹理当成了瓶子的特征。解决思路有两个，一个是给训练集补充带托盘、带传送带边缘、带高光点的负样本图片，目录下放一批没有目标的图片到训练集里，YOLOv8 会自动把它们当背景学习；另一个是调整hsv_h、hsv_s这两个数据增强参数，压缩颜色扰动强度，避免模型过度依赖某个高光特征。

5.3 细长瓶和矮胖瓶混在一起时，细长瓶漏检严重

现象是矿泉水瓶、长颈酒瓶这类长宽比大的目标，竖着能检测到，横放或倾斜时很容易漏。原因是降采样到 640 分辨率后，细长目标占据的网格太少，特征在小分辨率下被抹掉了。解决方法是把imgsz从 640 提到 960 或 1280，代价是显存占用和推理耗时同步上升。GTX 1660 Ti 如果显存不够，就把batch降到 2，或者换 YOLOv8s 的小分辨率版本重新训练。这一步是典型的精度和速度取舍，部署到 RK3588 这类边缘设备时更要慎重，分辨率升高会导致换算后的耗时成倍上涨。

5.4 val loss 曲线下降后反弹，越训越差

现象是训练 loss 一直在降，但results.png里 val loss 和 mAP50 在第 50 轮左右开始反向恶化。原因是训练时间过长、lr0过大，模型在验证集上开始过拟合。解决方法是先把lr0降到 0.001，开启cos_lr=True让学习率按余弦周期衰减；同时把patience设为 15 到 20，让程序在验证指标不再提升时自动停掉。早停时保存的best.pt是验证集上表现最好的权重，相当于给你留了一颗后悔药，哪怕最后训练曲线很难看，也能拿它去推理。

5.5 部署到 RK3588 后帧率个位数，卡在预处理而不是模型

现象是移植到边缘设备后，同样的模型在 PC 上有 30 FPS，在 NPU 上只有 5 FPS。原因大概率不在卷积推理，而在数据预处理和后处理。PyTorch 里的图像读取、缩放、归一化在 Python 下跑本来就慢，而且 NPU 推理是异步的，CPU 预处理跟不上就会拖慢整体节奏。解决方法是把图像缩放、通道转换、归一化全部用 C 或 C++ 的 OpenCV 实现，推理后处理里的解码和 NMS 也手动实现，不要调 Python 侧的ultralytics库。做推理优化时，我会先单独测一次纯模型推理耗时，再把预处理和后处理的耗时分别打点，就能定位瓶颈在哪一段。

6. 进阶：把评估指标曲线变成你的调参依据，再加一个计数后处理

6.1 用 F1-Confidence 曲线挑置信度阈值

训练完的目录里有F1_curve.png，横轴是置信度阈值，纵轴是 F1 分数。它帮你回答一个具体问题：conf应该设 0.1 还是 0.4。曲线的峰值对应的就是最佳阈值，比如峰值在 0.35，那么推理时conf=0.35能让精确率和召回率最平衡。如果你更在意别漏检，可以把conf再往左挪 0.05；如果更在意误检率，就往右挪 0.05。我第一次做瓶子检测时直接默认 0.25，结果误检一堆，后来对照 F1 曲线才发现这个数据集的最佳阈值在 0.4 附近。

我一般还会打开PR_curve.png看一眼，当曲线右上角有明显的下坠段时，说明某些类别的召回率在低置信度区域才有收益，需要单独检查那一类的标注质量。

6.2 用已有的 best.pt 继续做增量训练，控制回归风险

改进了数据集之后，不需要从预训练的yolov8s.pt从头开始，直接拿上次训练的best.pt继续训练，相当于把历史学习结果保留下来。增训时我把学习率放低一两个数量级，锁定前几层冻结特征提取器。

yolo detect train \ model=runs/bottle/train_v1/weights/best.pt \ data=D:/datasets/bottle/data.yaml \ epochs=50 \ imgsz=640 \ batch=8 \ lr0=0.0001 \ freeze=10 \ project=runs/bottle \ name=finetune_v2

freeze=10的意思是冻结模型前 10 层的参数，它们主要负责通用特征提取，改动数据分布时不需要重新学习。增训后对比train_v1和finetune_v2的评估指标曲线，如果 mAP 反而下降了，说明新数据里存在和旧标注冲突的样本，这时候回滚到best.pt，把冲突样本挑出来重新标注再训。增量训练是调优效率最高的路，却也最容易因为标注不一致翻车，对比曲线是最直接的验证手段。

6.3 给检测结果接一个计数后处理，产线场景直接能用

模型输出检测框之后，产线计数还需要统计每一类瓶子的数量。YOLOv8 的boxes对象里已经带了类别和置信度，后处理逻辑本身很简单，主要是考虑重复计数的问题。

from ultralytics import YOLO model = YOLO("best.pt") counts = {} # stream=True 按帧迭代，适合视频计数场景 results = model.predict("conveyor.mp4", stream=True, conf=0.35) for frame in results: for box in frame.boxes: cls = int(box.cls[0]) label = model.names[cls] # 只统计瓶子相关类别，忽略误检的背景 if label in ("plastic_bottle", "glass_bottle", "metal_can"): counts[label] = counts.get(label, 0) + 1 print("统计结果:", counts)

这里我刻意没有做追踪，所以每一帧的同一个瓶子会被重复累加。真实产线场景需要配合 ByteTrack 或 DeepSORT 做目标追踪，才能做到一个瓶子只计一次。如果只是做静态图片批量计数，这个简单版本就够了。

第一次跑通瓶子检测项目时，我犯的最蠢的错是拿到best.pt后先去做部署，结果边缘设备上模型精度不错、帧率也签收，用户说漏检，最后发现是我自己训练数据里压根没放带高光的玻璃瓶样本。后来养成一个习惯：任何数据集改动，先去和results.png、F1_curve.png对照一遍，确认评估指标和现场现象对得上再动手调参。这套流程下来，你手上的数据集质量、模型效果、部署性能都会是能交代清楚的。希望这次记录能帮到你。

本文还有配套的精品资源，点击获取