SwanLab 实战 · YOLO 目标检测
以COCO128数据集和YOLOv8n为例，介绍环境安装、模型训练及SwanLab回调接入，展示目标检测实验的监控与可视化。
> 原文：[SwanLab 官方文档 ↗](https://docs.swanlab.cn/examples/yolo.html)
# Yolo目标检测
目标检测、计算机视觉
[在线Demo](https://swanlab.cn/@ZeyiLin/ultratest/runs/yux7vclmsmmsar9ear7u5/chart) | [YOLO猫狗检测教程](https://zhuanlan.zhihu.com/p/702525559)
## 概述
YOLO（You Only Look Once）是一种由Joseph Redmon等人提出的目标检测模型，广泛应用于各种计算机视觉任务。YOLO通过将图像分成网格，并在每个网格内预测边界框和类别概率，能够实现实时的目标检测，在许多任务上表现出色。
在这个任务中，我们将使用YOLO模型在COCO128数据集上进行目标检测任务，同时用SwanLab进行监控和可视化。
yolo
COCO128 数据集是一个小型的目标检测数据集，来源于广泛使用的 COCO（Common Objects in Context）数据集。COCO128 数据集包含 128 张图像，是 COCO 数据集的一个子集，主要用于快速测试和调试目标检测模型。
## 环境安装
本案例基于`Python>=3.8`，请在您的计算机上安装好Python。 环境依赖：
```txt
ultralytics
swanlab
```
快速安装命令：
```bash
pip install ultralytics swanlab
```
> 本文的代码测试于ultralytics==8.2.18、swanlab==0.3.6
## 完整代码
```python
from ultralytics import YOLO
from swanlab.integration.ultralytics import add_swanlab_callback
def main():
model = YOLO("yolov8n.pt")
add_swanlab_callback(model)
model.train(data="coco128.yaml", epochs=5, imgsz=640, batch=64)
if __name__ == "__main__":
main()
```
## 演示效果
yolo-2
yolo-3
---
> 已由他山生态合作伙伴 SwanLab 授权