训练代码（很简单）：

from ultralytics import YOLO

if __name__ == '__main__':
    model = YOLO('yolov8-starnet1-s.yaml')
    # model = model.scales('s')  # 显式切换到s规模
    results = model.train(
        data='./data.yaml',
        epochs=600,
        patience=500,
        batch=128,
        imgsz=320,
        degrees=30,
        optimizer='SGD',
        mixup=0.2,
    )


"""
yolov8n-starnet

nohup python det_train_starnet1.py > ./train_logs/det_train_starnet1.log 2>&1 &
"""

names:
  0: hand


path: /home/sss/shoushi/0107data2

train: images/train
val: images/train

训练结果在runs/train中

效果图：

接下来就是环境配置啦：

一、环境准备 🛠️

1. Python 版本：推荐 Python 3.8 ~ 3.11，该版本区间与 YOLOv8、PyTorch 兼容性最佳。
2. 虚拟环境（强烈推荐）：
   • 用venv创建：

     python -m venv yolov8_hand
     # 激活环境
     # Windows: yolov8_hand\Scripts\activate
     # Linux/Mac: source yolov8_hand/bin/activate
     

   • 用conda创建：

     conda create -n yolov8_hand python=3.10
     conda activate yolov8_hand
     

3. GPU 加速（可选但必选）：需提前安装 NVIDIA 驱动 + 对应版本的 CUDA Toolkit，否则只能用 CPU 训练（速度极慢）。

---

二、核心 pip 安装指令 📦

先安装 PyTorch（根据你的 CUDA 版本选择），再安装 YOLOv8 依赖：

# 1. 安装PyTorch（以CUDA 11.8为例，其他版本请查PyTorch官网）
pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118

# 2. 安装YOLOv8官方库（包含所有训练/推理依赖）
pip install ultralytics

# 3. （可选）补装常用工具库（若运行时报缺库）
pip install opencv-python pyyaml matplotlib pillow tensorboard

若仅用 CPU 训练，可直接执行 pip install ultralytics，PyTorch 会自动安装 CPU 版本。

---

三、训练与配置注意事项 💡

1. 数据配置（data.yaml）

• 路径规范：
  • path 必须是数据集根目录的绝对路径 / 相对路径，避免中文、空格或特殊字符。
  • train/val 需指向对应图像文件夹（示例中val误写为images/train，实际应单独划分验证集，建议比例 8:2）。
• 类别对齐：names 必须与数据集标注类别完全一致，示例中 0: hand 表示仅 1 类目标。

  yaml

  names:
    0: hand
  path: /home/sss/shoushi/0107data2  # 数据集根目录
  train: images/train  # 训练集路径（相对于path）
  val: images/val      # 验证集路径（建议与训练集分开）
  

2. 模型配置（yolov8-starnet1-s.yaml）

• 若使用自定义 Starnet 结构，需确保该 yaml 文件与训练脚本同目录，或填写完整路径。
• 若仅用官方 YOLOv8s 模型，可直接替换为 yolov8s.pt（自动下载预训练权重）或 yolov8s.yaml。

3. 训练参数调优

• batch=128：若 GPU 显存≤16G，建议降至32/64，避免OOM（显存溢出）。
• epochs=600、patience=500：patience是早停阈值，若验证集损失 500 轮不下降则停止训练；小数据集可适当调小（如patience=100）。
• imgsz=320：手势识别任务 320×320 足够，若需更高精度可调至 640，但显存占用会翻倍。
• 数据增强：degrees=30（随机旋转 ±30°）、mixup=0.2（混合增强），可提升泛化能力；数据集过小时可适度增强。
• optimizer='SGD'：也可尝试Adam/AdamW，SGD 在小数据集上更稳定，Adam 收敛更快。

4. 后台运行与日志

• 指令解析：

  nohup python det_train_starnet1.py > ./train_logs/det_train_starnet1.log 2>&1 &
  

  • nohup：后台运行，断开 SSH 后仍继续训练。
  • > ./train_logs/...log：将标准输出重定向到日志文件。
  • 2>&1：将错误输出也写入日志（方便排查报错）。
  • &：放到后台执行。
• 注意：需先创建日志目录，否则会报错：mkdir -p train_logs。

5. 训练结果与排查

• 结果路径：训练日志、权重文件、可视化结果均保存在 runs/train/ 目录下，weights/best.pt 为最优模型。
• 常见问题：
  • 显存 OOM：降低batch、imgsz，或在model.train()中添加gradient_checkpointing=True。
  • 验证集精度低：检查数据集划分是否合理、类别标注是否正确，或增加数据增强、延长训练轮数。
  • 路径错误：确保所有路径（数据集、模型 yaml、日志目录）均存在且权限正常。

---

四、额外建议 ✨

• 数据集划分：务必将数据集按train/val严格划分（如 8:2），避免用训练集做验证，否则会高估模型性能。
• 预训练权重：首次训练时加载 YOLOv8s 预训练权重（model = YOLO('yolov8s.pt')），可加速收敛并提升精度。
• 训练监控：用 tensorboard --logdir runs/train 启动 TensorBoard，实时查看损失、精度曲线。