基于yolov8的车牌检测训练全流程

在这里插入图片描述
YOLOv8 是Ultralytics的YOLO的最新版本。作为一种前沿、最先进(SOTA)的模型，YOLOv8在之前版本的成功基础上引入了新功能和改进，以提高性能、灵活性和效率。YOLOv8支持全范围的视觉AI任务，包括检测, 分割, 姿态估计, 跟踪, 和分类。这种多功能性使用户能够利用YOLOv8的功能应对多种应用和领域的需求。

代码地址：https://github.com/ultralytics/ultralytics

一、数据集预处理

yolov8的数据集格式处理可以参考我的这篇博客：yolo系列模型训练数据集全流程制作方法（附数据增强代码）
这里就不再详细讲述，处理完并划分训练集和验证集后格式为下：

- mydata
  |- train
  |  |- images
  |  |- labels
  |
  |- val
  |  |- images
  |  |- labels

处理完以后，自己创建一个mydata.yaml文件，文件内容如下：

train: mydata/train/images
val: mydata/val/images
#如果按照上述方式建立文件夹，则上面train、test和val地址可以不变

nc: 8         #标签类别个数
names: ['0', '1', '2', '3', '4', '5', '6', '7']    #标签名
#上面nc和names可以根据自己的数据集进行修改

然后将mydata.yaml直接放到yolov8代码的主目录下即可，即./ultralytics-main下。
在这里插入图片描述

二、训练

使用yolov8的小伙伴可以发现，yolov8同v5、v7不太一样，里面的文件代码路径什么的都发生了很大的变化，所以刚上手可能会觉得非常的不知所措。但是，其实v8训练起来同前面的版本相比更加简单，可以直接用yolo命令进行训练。

首先，我们需要安装 ultralytics 这个库。

pip install ultralytics

然后直接使用下面的指令在命令行进行单卡训练即可：

yolo task=detect mode=train model=yolov8n.pt data=mydata.yaml batch=32 epochs=100 imgsz=640 workers=16 device=0

注意：
1. 如果是在windows系统中训练yolov8的话，worker设置成0，如果是Linux或服务器的话，就可以设置成8或16等。
2. 如果训练过程中报了路径的错误，那么就将mydata.yaml改为绝对路径。

训练成功如下图所示：
在这里插入图片描述

如果你有服务器，想要进行多卡训练，则使用下面的命令：

yolo task=detect mode=train model=yolov8n.pt data=mydata.yaml batch=32 epochs=100 imgsz=640 workers=16 device=\'0,1,2,3\'

三、验证

在训练完以后，我们可以使用验证集对模型的性能进行一个验证，具体命令如下：

yolo task=detect mode=val model=runs/detect/train/weights/best.pt data=mydata.yaml device=0

四、预测

对图片进行预测的代码如下：

yolo task=detect mode=predict model=runs/detect/train/weights/best.pt source=inferdata device=0

如果想要将检测的结果导出labels的txt文件的话，命令如下：

yolo task=detect mode=predict model=runs/detect/train/weights/best.pt source=inferdata save_txt=True device=0

对模糊图片的检测结果如下：
在这里插入图片描述

五、导出ONNX模型

导出onnx的代码如下：

yolo task=detect mode=export model=runs/detect/train/weights/best.pt format=onnx