YOLOv8实例分割实战：用Cityscapes数据集训练一个城市街景识别模型（附完整代码）

YOLOv8实例分割实战：城市街景识别模型从训练到部署全流程解析

在自动驾驶和智慧城市领域，准确识别道路上的行人、车辆等目标至关重要。YOLOv8作为当前最先进的实时目标检测框架，其实例分割版本能够同时完成目标定位和像素级分割。本文将带您从零开始，使用Cityscapes数据集构建一个针对城市街景的实例分割模型，涵盖环境配置、数据准备、模型训练、性能优化和实际应用的全流程。

1. 环境配置与数据准备

1.1 快速搭建Ultralytics开发环境

推荐使用Python 3.8+和CUDA 11.3+环境以获得最佳性能。以下是一键安装所有依赖的命令：

# 创建并激活虚拟环境
python -m venv yolov8_env
source yolov8_env/bin/activate  # Linux/Mac
# yolov8_env\Scripts\activate   # Windows

# 安装核心依赖
pip install ultralytics torch==1.13.1+cu116 torchvision==0.14.1+cu116 --extra-index-url https://download.pytorch.org/whl/cu116
pip install pycocotools cityscapesscripts

验证安装是否成功：

import torch
from ultralytics import YOLO

print(torch.cuda.is_available())  # 应输出True
model = YOLO('yolov8n-seg.pt')  # 加载官方预训练模型

1.2 Cityscapes数据集高效处理技巧

Cityscapes包含50个城市的街景图像，重点关注行人、车辆等19类目标。原始数据集需要转换为YOLO格式：

1. 下载数据集后解压到da