YOLOv8 使用範例：Roboflow 資料集訓練與 best.pt 即時偵測

YOLOv8 訓練前要先準備什麼？

YOLOv8 訓練前需要先安裝 `ultralytics`，再準備含有 `data.yaml` 的 YOLOv8 格式資料集。`data.yaml` 會告訴訓練流程圖片資料夾、驗證資料夾與類別名稱。

先用下面指令安裝好所需的套件：

```bash

pip install ultralytics

```

然後在 Roboflow Universe 下載要訓練的素材集，格式選擇 YOLOv8。Roboflow 匯出的壓縮檔通常會包含 `data.yaml`、訓練圖片、驗證圖片與 label 檔案；Ultralytics 的訓練 API 會透過 `data.yaml` 找到資料集路徑與類別設定（Ultralytics，存取日期：2026-08-28）。

Roboflow 下載後的資料夾應該怎麼放？

Roboflow 下載後的資料夾要和訓練程式放在容易引用的位置，並確認 `data.yaml` 路徑正確。最簡單的做法是把資料集解壓縮到專案同層，讓程式直接讀取 `./data.yaml`。

把裡面的資料（含 `data.yaml`）解壓縮在同層資料夾下，如圖：

這個結構的好處是訓練程式可以用 `model.train(data='./data.yaml', epochs=300, imgsz=640)` 直接讀取設定，不需要在程式裡拼很長的絕對路徑。若資料夾移動過，先打開 `data.yaml` 檢查 `train`、`val` 與 `names` 是否仍對應正確。

YOLOv8 訓練程式怎麼寫？

YOLOv8 訓練程式可以用 `YOLO('yolov8.yaml').load('yolov8n.pt')` 建立模型並載入預訓練權重。接著呼叫 `train()` 指定 `data.yaml`、訓練週期與輸入影像尺寸，再用 `val()` 驗證模型。

接著直接執行下面的程式，YOLOv8 會自動下載所需要的 `yolov8.yaml` 及 `yolov8n.pt`：

```python

import multiprocessing

import os

from ultralytics import YOLO

os.environ["CUDA_LAUNCH_BLOCKING"] = "1"

def my_function():

model = YOLO("yolov8.yaml").load("yolov8n.pt")

model.train(data="./data.yaml", epochs=300, imgsz=640)

model.val(data="./data.yaml")

if name == "main":

multiprocessing.freeze_support()

my_function()

```

Ultralytics 官方 Python 文件也提供相同方向的流程：建立或載入 YOLO 模型、呼叫 `train()` 訓練、呼叫 `val()` 驗證，再用模型物件進行預測（Ultralytics，存取日期：2026-08-28）。這裡沿用當時筆記中的 `yolov8.yaml` 與 `yolov8n.pt`，不延伸到其他新版模型命名。

datasets_dir 錯誤要怎麼處理？

YOLOv8 若找不到資料集，通常要檢查 Ultralytics 設定檔裡的 `datasets_dir`。資料集路徑不是訓練腳本猜出來的，`data.yaml` 和 Ultralytics 全域設定都可能影響實際讀取位置。

這時候可能會出現錯誤如下，因為資料集放在哪邊也是剛剛才自動下載或解壓縮好的，所以要打開設定檔案，設定資料集的正確位置 `datasets_dir`。

我的排查順序通常是：

看到這些訊息就代表成功開始建模型了：

訓練完成後如何載入 best.pt 做偵測？

YOLOv8 訓練完成後，推論重點是載入自己的 `best.pt`。`best.pt` 是訓練過程保留下來的模型權重，載入後就可以對圖片、影片或攝影機畫面呼叫模型進行預測。

重點是在這行：

```python

model = YOLO("best.pt")

```

這行在載入我們建好的模型：

```python

results = model(image, show=False, verbose=False)

```

`model` 這個預測方法有很多可控制的參數，例如要不要直接秀出圖片、要不要存圖片等等。Ultralytics 官方文件說明，預測結果會回傳 `Results` 物件；對物件偵測任務來說，常用欄位包含 `result.boxes`、`result.boxes.xywh`、`result.boxes.cls` 與 `result.names`（Ultralytics，存取日期：2026-08-28）。

YOLOv8 如何搭配 OpenCV 做即時攝影機偵測？

YOLOv8 搭配 OpenCV 做即時偵測時，流程是讀取攝影機畫面、縮放影像、呼叫模型預測、取出 bounding box，再用 OpenCV 畫框與標籤。`result.boxes.xywh` 可用來取得中心點、寬與高。

YOLOv8 很方便的一點是，吐出的物件如 `result`，只要 `print` 這個物件，就會有很詳細的結構和屬性意義教學，在開發上很省時間。

下面是搭配 OpenCV 即時攝影機畫面做偵測的範例。這段程式保留當時的 `VideoStream` 使用方式；如果專案沒有這個自訂模組，需要改成自己的攝影機讀取類別或 OpenCV 的 `cv2.VideoCapture()`。

```python

import VideoStream

import cv2

import numpy as np

from ultralytics import YOLO

videostream = VideoStream.VideoStream((1280, 720), 30, 0).start()

cam_quit = 0

model = YOLO("best.pt")

def detect(image):

results = model(image, show=False, verbose=False)

result = list(results)[0]

for i in range(len(result.boxes)):

r = result[i].boxes

cls = int(r.cls[0].item())

xywh = r.xywh[0].tolist()

x_center, y_center, width, height = [int(x) for x in xywh[:4]]

if width < 100 and height < 100:

x1 = int(x_center - (width / 2))

y1 = int(y_center - (height / 2))

x2 = x1 + width

y2 = y1 + height

cv2.rectangle(image, (x1, y1), (x2, y2), (0, 0, 255), 3)

cv2.putText(

image,

result.names[cls],

(x1, y1),

cv2.FONT_HERSHEY_SIMPLEX,

0.8,

(0, 255, 255),

1,

cv2.LINE_AA,

)

while cam_quit == 0:

imageSource = videostream.read()

imageSource = cv2.resize(imageSource, (960, 540))

detect(imageSource)

cv2.imshow("image", imageSource)

key = cv2.waitKey(1) & 0xFF

if key == ord("q"):

cam_quit = 1

videostream.stop()

cv2.destroyAllWindows()

```

這段範例有一個實務限制：只畫出寬高都小於 100 的偵測框。如果自己的任務不是小物件偵測，`if width < 100 and height < 100:` 這個條件要拿掉或改成符合應用場景的門檻。

延伸閱讀

• YOLOv8 物件偵測模型介紹：安裝、預測、訓練與輸出流程
• YOLOv8 模型訓練指標解析：IoU、mAP、Precision、Recall 與優化策略
• 使用現有模型標記新圖片：SAM、Roboflow 與 YOLO label 轉換流程
• OpenCV 圖像幾何變換教學：縮放、平移、旋轉、仿射與透視變換
• TensorFlow.js coco-ssd 物件偵測教學：瀏覽器與攝影機範例

常見問題

QYOLOv8 使用範例一定要先準備 Roboflow 資料集嗎？

YOLOv8 使用範例不一定要用 Roboflow，但訓練自己的物件偵測模型時，一定要有符合 YOLO 格式的圖片與標註。Roboflow 的好處是可以直接匯出 YOLOv8 格式，減少手動整理資料夾與 label 的時間。

QYOLOv8 的 `data.yaml` 是做什麼用的？

`data.yaml` 是 YOLOv8 訓練資料的入口設定檔。Ultralytics 會透過 `data.yaml` 找到訓練集、驗證集與類別名稱，所以路徑錯誤時模型通常不是壞掉，而是資料集位置沒有對齊。

Q`yolov8.yaml`、`yolov8n.pt` 和 `best.pt` 差在哪？

`yolov8.yaml` 描述模型結構，`yolov8n.pt` 是預訓練權重，`best.pt` 是用自己的資料訓練後保留下來的最佳權重。訓練時可以從預訓練權重開始，推論時則載入自己的 `best.pt`。

QYOLOv8 找不到資料集時應該先改哪裡？

YOLOv8 找不到資料集時，先確認程式執行目錄與 `data='./data.yaml'` 是否一致，再檢查 `data.yaml` 裡的 `train` 和 `val` 路徑。若錯誤訊息指向 Ultralytics 設定檔，再調整 `datasets_dir`。

QYOLOv8 可以直接吃 OpenCV 的影像陣列嗎？

YOLOv8 可以直接對 OpenCV 讀到的影像陣列做預測。Ultralytics Python API 支援圖片路徑、影片、URL、PIL 影像與 NumPy 陣列等輸入型態，因此攝影機串流可以先由 OpenCV 讀取，再交給模型推論。

參考資料

• Roboflow Universe，〈Roboflow Universe〉，存取日期：2026-08-28。
• Ultralytics，〈YOLO Python Usage〉，存取日期：2026-08-28。
• Ultralytics，〈Model Prediction with Ultralytics YOLO〉，存取日期：2026-08-28。

最後更新

2023-12-15（本文保留 2023-12-15 的實作筆記內容，並補上 GEO 結構、FAQ 與站內延伸閱讀。）

關於作者 {#author}

Claire Chang ｜ 企業 AI 導入與流程轉型顧問。專注於 AI Agent 架構設計、ERP 系統整合與企業 AI 治理。

首次發布：2023-12-15