低光照场景下目标检测面临图像对比度低、噪声干扰大等问题，导致常规YOLOv8模型检测精度大幅下降。本教程将手把手教你从低光照数据集准备、图像增强方案设计、YOLOv8模型适配微调，到最终的推理验证与部署，全程实操，解决低光照环境下的目标检测难题。

学习步骤

1. 低光照场景分析与数据集准备

   1. 场景问题梳理：低光照环境下图像存在对比度低、细节丢失、噪声多等特点，会导致YOLOv8的特征提取模块无法有效识别目标。2. 数据集选择：可选用公开低光照目标检测数据集如ExDark（包含12类低光照场景目标）、LOL（低光照增强数据集，可转换为检测数据集）；也可自行采集低光照场景图像，使用手机或相机在弱光环境下拍摄常见目标（如行人、车辆）。3. 数据标注与格式转换：使用LabelStudio标注工具对图像中的目标进行框选标注，导出为VOC格式后，通过脚本转换为YOLOv8所需的txt格式（每一行包含类别id、x_center、y_center、width、height），并划分训练集、验证集、测试集比例为8:1:1。

2. 低光照图像预处理与针对性数据增强

   1. 基础预处理：使用OpenCV实现CLAHE（限制对比度自适应直方图均衡化）增强图像局部对比度，代码示例：
   import cv2
   img = cv2.imread('low_light_img.jpg', 0)
   clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8,8))
   enhanced_img = clahe.apply(img)
   2. 进阶增强：采用Retinex算法进行多尺度图像增强，还原图像细节，可使用第三方库如`retinex`实现。3. YOLOv8内置增强适配：修改YOLOv8的训练配置yaml文件，调整`hsv_h`、`hsv_s`、`hsv_v`参数提升亮度与饱和度增强幅度，开启`mixup`、`mosaic`增强并适配低光照场景，避免过度增强导致目标失真。

3. YOLOv8模型适配与微调训练

   1. 模型选择：优先选择轻量化模型YOLOv8s或YOLOv8n，兼顾精度与实时性；若追求更高精度可选用YOLOv8m。2. 模型适配：在YOLOv8的Backbone模块前添加自适应亮度调整分支，通过卷积层自动学习低光照图像的亮度映射，可通过修改YOLOv8的model.yaml文件实现。3. 训练配置：设置batch size为16（根据GPU显存调整），epochs为50，采用迁移学习，加载YOLOv8预训练权重，学习率初始设置为0.01，使用余弦退火学习率衰减。4. 启动训练：执行命令`yolo detect train data=low_light_data.yaml model=yolov8s.pt epochs=50 batch=16`。

4. 模型推理优化与效果验证

   1. 推理前预处理：在推理阶段对输入图像先进行CLAHE增强，提升目标辨识度。2. 模型推理：执行命令`yolo detect predict model=runs/detect/train/weights/best.pt source=low_light_test_img.jpg`，或编写Python脚本实现批量推理。3. 效果评估：使用YOLOv8自带的评估工具计算mAP@0.5、Precision、Recall指标，对比原始YOLOv8模型与优化后模型的检测效果，低光照场景下mAP提升应不低于15%。4. 可视化验证：将检测结果可视化，对比增强前后图像的检测框准确性，确保目标无漏检、误检。

5. 低光照检测模型边缘部署优化

   1. 模型量化：使用YOLOv8自带的量化工具将模型转换为INT8格式，减少模型体积并提升推理速度，命令：`yolo export model=runs/detect/train/weights/best.pt format=engine int8=True`。2. 边缘设备部署：将量化后的模型部署到Jetson Nano等边缘设备，使用TensorRT进行推理加速，编写Python加载引擎文件实现实时低光照目标检测。3. 性能优化：关闭不必要的图像增强步骤，仅保留推理前的快速CLAHE增强，确保边缘设备上推理帧率达到15FPS以上。