PyTorch跑YOLOv8，源码与训练教程解析

本文深入解析了在PyTorch生态下正确使用YOLOv8进行目标检测的关键要点与常见陷阱：强调YOLOv8并非原生PyTorch模型，必须通过ultralytics库的高层接口（如from ultralytics import YOLO）加载和调用，严禁直接用torch.load或手动构建nn.Module；详解自定义数据集配置中YAML路径解析规则、标签格式与目录结构要求；揭示训练瓶颈常源于Dataloader配置（如workers、persistent_workers）而非模型本身；并指出获取原始网络输出需绕过predict()方法，直接调用底层model.forward，同时提醒解码逻辑复杂、修改风险高——真正掌握YOLOv8，不在于跑通代码，而在于理解Ultralytics封装背后的权衡与边界。

YOLOv8不是PyTorch原生模型，别直接 import torch.nn 试图加载

Ultralytics 的 YOLOv8 是封装在 ultralytics 包里的高层接口，底层虽用 PyTorch 实现，但不提供标准 torch.nn.Module 实例供你手动构建前向逻辑。常见错误是看到 .pt 文件就以为能用 torch.load() + model.load_state_dict() 加载——会失败，因为权重结构和 PyTorch 原生模型不兼容。

正确路径只有一条：from ultralytics import YOLO，然后用 YOLO('yolov8n.pt') 初始化。这个对象内部管理了完整的模型图、预处理、NMS、后处理逻辑，跳过它等于重写一半 Ultralytics。

• 自定义数据集训练时，model.train() 调用的是 ultralytics.engine.trainer.Trainer，不是 PyTorch 的 nn.Module.train()
• model.predict() 返回的是 ultralytics.engine.results.Results 对象，不是 raw tensor；要取 bbox 需访问 results[0].boxes.xyxy，不是 model(x) 直接输出
• 想改 backbone 或 head？得继承 ultralytics.nn.tasks.DetectionModel，而不是从 torch.nn.Module 开始写

自定义数据集必须用 YAML 描述，且路径必须是绝对路径或相对于 YAML 文件的相对路径

Ultralytics 强制要求数据配置通过 .yaml 文件声明，例如 mydata.yaml：

train: ../datasets/mydata/train/images
val: ../datasets/mydata/val/images
nc: 3
names: ['cat', 'dog', 'bird']

注意：train 和 val 路径不是相对于 Python 工作目录，而是相对于该 YAML 文件所在位置。很多人把 YAML 放在项目根目录，但图片在 ./data/ 下，结果报错 FileNotFoundError: No images found in ...，其实只是路径解析错了。

• 推荐全部用绝对路径，比如 train: /home/user/datasets/mydata/train/images，避免歧义
• names 必须是 list，不能是 dict 或 tuple；顺序必须和 label txt 中的 class id 严格对齐（0-indexed）
• 每张图对应的 label 文件（如 xxx.txt）必须和图像同名、放在 labels/ 子目录下，且格式为 class_id center_x center_y width height（归一化坐标）

训练时 batch_size 不是你显存决定的，而是由 workers + persistent_workers + pin_memory 共同影响 dataloader 效率

很多人调大 batch_size 后发现 GPU 利用率卡在 10%，nvidia-smi 显示显存占满但 GPU-Util 很低——问题往往不在模型，而在数据加载阻塞。Ultralytics 默认启用 workers=8，但在某些 Linux 系统（尤其 WSL 或容器环境）下，num_workers > 0 反而因 fork 问题拖慢速度。

• Windows 上建议设 workers=0（禁用多进程），否则可能报 BrokenPipeError 或训练卡死
• Linux 上若 CPU 核心少于 8，把 workers 降到 min(4, os.cpu_count()) 更稳
• 开启 persistent_workers=True（Ultralytics v8.1.0+ 默认）可复用 worker 进程，减少反复初始化开销
• pin_memory=True 对 GPU 训练有加速作用，但仅在 DataLoader 使用 cuda() 之前有效；Ultralytics 内部已默认启用，无需额外设置

推理时想获取原始输出（logits / confidence scores），别用 predict() 返回的 Results 做逆向工程

model.predict(...) 默认做完了 NMS、置信度阈值过滤、坐标反归一化，返回的是“人眼友好”的结果。如果你需要原始 head 输出（比如做模型集成、蒸馏、或分析某层特征），必须绕过 predict 接口，直接调用模型的 forward 方法：

from ultralytics.models.yolo.detect import DetectionPredictor
model = YOLO('yolov8n.pt')
# 获取未后处理的 logits
preds = model.model(model.preprocess(img_tensor))  # 返回三个尺度的 (bs, c, h, w) 张量

但要注意：model.model 是底层 DetectionModel 实例，它的输入必须是预处理后的 torch.Tensor（BCHW，归一化到 [0,1]，尺寸能被 32 整除），不能直接喂 PIL.Image 或 cv2.ndarray。

• 预处理函数在 model.predictor.inference() 里，但它是私有方法；稳妥做法是复用 DetectionPredictor.preprocess()
• 原始输出是三个 feature map（如 80×80、40×40、20×20），每个点对应 anchor-based 的 4+1+nc 维向量，需自己 decode bbox 和 class score
• Ultralytics 没公开 anchor 设计细节（如 stride、base size），所以自己 decode 容易出错；真需要原始输出，建议直接读 ultralytics/nn/modules.py 里的 Detect.forward 实现逻辑

真正难的不是跑通，而是搞清哪一层该动、哪一层动了反而破坏 pipeline。Ultralytics 把太多东西焊死了，表面简单，内里修改成本远高于从头写个 PyTorch Detection Trainer。

到这里，我们也就讲完了《PyTorch跑YOLOv8，源码与训练教程解析》的内容了。个人认为，基础知识的学习和巩固，是为了更好的将其运用到项目中，欢迎关注golang学习网公众号，带你了解更多关于的知识点！