从0开始的视觉研究生涯（6）YOLOv8-seg实战应用NCNN加速详解（进阶，多线程、Int8量化）_yolov8seg ocr

在前面的章节中，介绍了如何自建数据集，如何复现深度学习模型，如何训练测试模型以及导出模型的基础知识，这节将详细介绍如何以YOLOv8为例，真正实现计算机视觉应用，并用NCNN在arm架构芯片上进行加速推理。

一、自建数据集训练YOLOv8-seg

分割的数据集就不再过多介绍了，我在下面这篇博客里做了详细的介绍，简单来说就是收集图像，用labelme标注图像，转成yolov8-seg的格式，再划分训练集测试集就好了。

从0开始的视觉研究生涯（1）从数据集开始讲起（入门）-CSDN博客

然后复制新建一个数据集描述的catseg.yaml文件，可以参考yolov8自带的ultralytics/cfg/datasets文件夹中的yaml文件，最简单的格式如下

# Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..]
path: catdataset  # dataset root dir
train: images/train  # train images (relative to 'path') 128 images
val: images/val  # val images (relative to 'path') 128 images
test:  # test images (optional)
 
# Classes
names:
  0: cat

然后再新建一个train-seg.py脚本，非常简单，读取描述模型的yolov8n-seg.yaml，n表示是nano，还可以选择其他大小的模型，再加载一下预训练权重，可以在官方github上下载

https://www.wpsshop.cn/w/你好赵伟/article/detail/122453