一、前言
本文为初学者提供思路，同时为自己后续能够回头翻阅，本文方法通用于其他yolo模型。
二、软件准备
这里用到是是Pycharm和Miniforge
PyCharm 是 Python 开发最常用的集成开发环境（IDE）。
Miniforge 是一个轻量级的 Python 环境和包管理器，可以看作是 Anaconda 的开源免费替代品。
自行查阅资料下载最新版本的软件。
下载后的Miniforge可能打不开，需要添加环境变量path
添加环境变量
D:\miniforge
D:\miniforge\Scripts
D:\miniforge\Library
具体的位置再进行对应的更改。
三、Miniforge 包管理
在这里需要在Miniforge中创建2个环境，当然放同一个也可以，但为了方便管理和之后的使用还是分为2个包。一个是labelme，这是为了标注数据的。一个是存放yolov8-seg运行所依赖的包
这里给到指令为
创建labelme环境 conda create -n labelme python=3.6 激活环境 conda activate labelme 安装labelme所需要的依赖环境 conda install pyqt conda install pillow 安装labelme pip install labelme==3.16.2这样后创建了一个labelme的环境，之后打开labelme都需要在这个环境里，应该所需要的包都在这个环境。
之后就能打开标注软件，怎么进行数据的标注可以自行查询。
第二步yolo环境的搭建
在labelme环境中转换到网上下载的yolo实例代码带setup.py的目录下。
创建：conda create -n yolov8 python=3.8 查看：conda env list conda activate yolov8 切换阿里云 pip config set global.index-url https://mirrors.aliyun.com/pypi/simple/ 安装依赖包 pip install -e . 安装 CMake conda install cmake -y 安装 ONNX 相关包 pip install onnx onnxruntime onnxsim至此这个yolov8环境拥有了模型训练所需的所有依赖包。
四、模型训练
用Pycharm打开下载的yolo实例代码，同时将pycharm的环境转换为yolov8的环境
自此你就可以在pycharm中通过自己标注的数据集进行模型训练了。
这里的yolov8-seg.yaml为模型运行工程中进行的各类操作，后续可以对其进行修改，使其具备独特性。yolov8n-seg.pt是初始模型作用是使训练在一定的认知基础上进行训练，提高效率。coco128-seg.yaml就是我们的训练集了，大致内容可以是这样。
里面包括的训练集、验证集、测试集的存放位置以及类型。
运行后代码会在yolov8-seg\ultralytics\runs\segment目录下生成它的.pt文件这是pytroch的文件需要将其转换为onnx文件。可直接通过代码实现。
from ultralytics import YOLO # 加载分割模型 model = YOLO('D:/python/yolov8-seg/.venv/yolov8-seg/ultralytics/runs/segment/train8/weights/best.pt') # 分割模型 # 转换为ONNX model.export( format='onnx', imgsz=320, opset=18, simplify=True, dynamic=False # 固定输入尺寸 )自此模型已经训练完成。