YOLOv8训练教程
一、代码下载
首先可以在官网下载yolov8
或者使用git下载
git clone https://github.com/ultralytics/ultralytics
用pycharm打开就是下面的
二、环境配置
2.1 创建新环境
在开始菜单下找到如下窗口
点击
创建新环境yolov8。
conda create -n yolov8 python=3.8
激活新的环境
conda activate yolov8
2.2 安装pytorch
你可以在pytorch官网中找到对应的安装命令，这里版本要求推荐torch=1.12.0+，下面贴出torch=1.12.0的各项安装命令，可以根据自己的电脑情况进行选择
CUDA 11.8
pip install torch==2.0.0+cu118 torchvision==0.15.1+cu118 torchaudio==2.0.1 --index-url https://download.pytorch.org/whl/cu118
CUDA 11.7
pip install torch==1.13.1+cu117 torchvision==0.14.1+cu117 torchaudio==0.13.1 --extra-index-url https://download.pytorch.org/whl/cu117
CUDA 11.6
pip install torch==1.12.0+cu116 torchvision==0.13.0+cu116 --extra-index-url https://download.pytorch.org/whl/cu116
CUDA 11.3
pip install torch==1.12.0+cu113 torchvision==0.13.0+cu113 --extra-index-url https://download.pytorch.org/whl/cu113
CUDA 10.2
pip install torch==1.12.0+cu102 torchvision==0.13.0+cu102 --extra-index-url https://download.pytorch.org/whl/cu102
CPU only
pip install torch==1.12.0+cpu torchvision==0.13.0+cpu --extra-index-url https://download.pytorch.org/whl/cpu
2.3 安装第三方包
这里有我们需要安装的各种第三方包
先将环境位置定位到requirements所在的位置，然后输入以下命令
pip install -r requirements.txt -i https://mirrors.bfsu.edu.cn/pypi/web/simple/
2.4 安装ultralytics
ultralytics集成了yolo的各种包以及模型等。
pip install ultralytics
2.5 Bug解决
【WARNING:Ignore distutils configs in setup.cfg due to encoding errors】，如果安装过程出现这个，可以直接将setup.cfg 另存为txt文件。
2.6 手动下载权重
虽然yolov8会自动帮我们下载权重，但毕竟网站在国外，经常会出现下载失败。所以想要什么模型，先手动下载好，再github项目下都有。
再粘贴到detect文件下。
2.7 检验是否可用
用官方给的图片预测一下，命令如下
yolo task=detect mode=predict model=yolov8n.pt source=assets/ device=cpu save=True
三、训练自己的数据集
3.1 处理数据集
因为我主要做目标检测，所以将数据集都放在detect里了。
因为我们的数据集是voc格式，需要转换一下变成yolo格式，先像这样创建文件夹。
运行xml2txt.py,在这个文件中其会把Annotations中的XML格式标注文件转换到txt中的yolo格式标注文件。
import xml.etree.ElementTree as ET
import os, cv2
import numpy as np
from os import listdir
from os.path import join
classes = []
def convert(size, box):
dw = 1. / (size[0])
dh = 1. / (size[1])
x = (box[0] + box[1]) / 2.0 - 1
y = (box[2] + box[3]) / 2.0 - 1
w = box[1] - box[0]
h = box[3] - box[2]
x = x * dw
w = w * dw
y = y * dh
h = h * dh
return (x, y, w, h)
def convert_annotation(xmlpath, xmlname):
with open(xmlpath, "r", encoding='utf-8') as in_file:
txtname = xmlname[:-4] + '.txt'
txtfile = os.path.join(txtpath, txtname)
tree = ET.parse(in_file)
root = tree.getroot()
filename = root.find('filename')
img = cv2.imdecode(np.fromfile('{}/{}.{}'.format(imgpath, xmlname[:-4], postfix), np.uint8), cv2.IMREAD_COLOR)
h, w = img.shape[:2]
res = []
for obj in root.iter('object'):
cls = obj.find('name').text
if cls not in classes:
classes.append(cls)
cls_id = classes.index(cls)
xmlbox = obj.find('bndbox')
b = (float(xmlbox.find('xmin').text), float(xmlbox.find('xmax').text), float(xmlbox.find('ymin').text),
float(xmlbox.find('ymax').text))
bb = convert((w, h), b)
res.append(str(cls_id) + " " + " ".join([str(a) for a in bb]))
if len(res) != 0:
with open(txtfile, 'w+') as f:
f.write('\n'.join(res))
if __name__ == "__main__":
postfix = 'jpg'
imgpath = 'VOCdevkit/JPEGImages'
xmlpath = 'VOCdevkit/Annotations'
txtpath = 'VOCdevkit/txt'
if not os.path.exists(txtpath):
os.makedirs(txtpath, exist_ok=True)
list = os.listdir(xmlpath)
error_file_list = []
for i in range(0, len(list)):
try:
path = os.path.join(xmlpath, list[i])
if ('.xml' in path) or ('.XML' in path):
convert_annotation(path, list[i])
print(f'file {
list[i]} convert success.')
else:
print(f'file {
list[i]} is not xml format.')
except Exception as e:
print(f'file {
list[i]} convert error.')
print(f'error message:\n{
e}')
error_file_list.append(list[i])
print(f'this file convert failure\n{
error_file_list}')
print(f'Dataset Classes:{
classes}')
这个需要可以保存，后面yaml文件需要填写。
运行split_data.py,这个文件是划分训练、验证、测试集。
import os, shutil
from sklearn.model_selection import train_test_split
val_size = 0.1
test_size = 0.2
postfix = 'jpg'
imgpath = 'VOCdevkit/JPEGImages'
txtpath = 'VOCdevkit/txt'
os.makedirs('images/train', exist_ok=True)
os.makedirs('images/val', exist_ok=True)
os.makedirs('images/test', exist_ok=True)
os.makedirs('labels/train', exist_ok=True)
os.makedirs('labels/val', exist_ok=True)
os.makedirs('labels/test', exist_ok=True)
listdir = [i for i in os.listdir(txtpath) if 'txt' in i]
train, test = train_test_split(listdir, test_size=test_size, shuffle=True, random_state=0)
train, val = train_test_split(train, test_size=val_size, shuffle=True, random_state=0)
print(f'train set size:{
len(train)} val set size:{
len(val)} test set size:{
len(test)}')
for i in train:
shutil.copy('{}/{}.{}'.format(imgpath, i[:-4], postfix), 'images/train/{}.{}'.format(i[:-4], postfix))
shutil.copy('{}/{}'.format(txtpath, i), 'labels/train/{}'.format(i))
for i in val:
shutil.copy('{}/{}.{}'.format(imgpath, i[:-4], postfix), 'images/val/{}.{}'.format(i[:-4], postfix))
shutil.copy('{}/{}'.format(txtpath, i), 'labels/val/{}'.format(i))
for i in test:
shutil.copy('{}/{}.{}'.format(imgpath, i[:-4], postfix), 'images/test/{}.{}'.format(i[:-4], postfix))
shutil.copy('{}/{}'.format(txtpath, i), 'labels/test/{}'.format(i))
新建一个data.yaml
路径一定要写绝对路径，要不然会报错。
这样数据集就处理好了。
3.2 训练数据
输入训练命令
yolo task=detect mode=train model=yolov8s.yaml data=yolo/v8/detect/fish_datasets/data.yaml epochs=100 batch=4
3.3 验证数据
输入验证命令，用训练好的模型去验证
yolo task=detect mode=val model=ultralytics/yolo/v8/detect/runs/detect/train5/weights/best.pt data=ultralytics/yolo/v8/detect/fish_datasets/data.yaml device=cpu
3.4 预测数据
yolo task=detect mode=predict model=ultralytics/yolo/v8/detect/runs/detect/train5/weights/best.pt source=ultralytics/yolo/v8/detect/fish_datasets/images/val device=cpu
3.5 模型导出
使用下面的命令就可以导出模型了
yolo task=detect mode=export model=ultralytics/yolo/v8/detect/runs/detect/train5/weights/best.pt
本文也参考了不少大佬的文章，大家也可以去看看大佬们的教程。
YOLOV8最强操作教程
YOLOv8教程系列：一、使用自定义数据集训练YOLOv8模型（详细版教程，你只看一篇-＞调参攻略），包含环境搭建/数据准备/模型训练/预测/验证/导出等
YOLOv8 从环境搭建到推理训练