YOLOv8 トレーニング チュートリアル
1. コードのダウンロード
まず、公式 Web サイトからyolov8をダウンロードする
か、git を使用してダウンロードします。
git clone https://github.com/ultralytics/ultralytics
次のようにpycharmで開きます
2. 環境構築
2.1 新しい環境を作成する
スタート メニューで次のウィンドウを見つけて
、
[新しい環境の作成] yolov8 をクリックします。
conda create -n yolov8 python=3.8
新しい環境をアクティブ化する
conda activate yolov8
2.2 pytorchのインストール
対応するインストール コマンドは pytorch 公式 Web サイトにあります。ここでのバージョン要件は torch=1.12.0+ を推奨します。torch=1.12.0 のインストール コマンドは以下に掲載されています。コンピュータの状況に応じて CUDA 11.8 を選択してください
。
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のみ
pip install torch==1.12.0+cpu torchvision==0.13.0+cpu --extra-index-url https://download.pytorch.org/whl/cpu
2.3 サードパーティパッケージのインストール
ここには、インストールする必要があるさまざまなサードパーティ パッケージがあります。
まず、環境の場所から要件の場所を見つけて、次のコマンドを入力します。
pip install -r requirements.txt -i https://mirrors.bfsu.edu.cn/pypi/web/simple/
2.4 ウルトラリティクスのインストール
Ultralytics は、yolo のさまざまなパッケージとモデルを統合します。
pip install ultralytics
2.5 バグの解決
[警告: エンコード エラーのため、setup.cfg の distutils 設定を無視する] がインストール プロセス中に発生した場合は、setup.cfg を txt ファイルとして直接保存できます。
2.6 重みを手動でダウンロードする
yolov8 は重みを自動的にダウンロードしてくれますが、結局のところ、Web サイトが海外にあるため、ダウンロードに失敗することがよくあります。したがって、必要なモデルが何であれ、最初に手動でダウンロードすると、github プロジェクトで利用できるようになります。
次に、それを検出ファイルに貼り付けます。
2.7 空き状況を確認する
公式画像を使用して予測します。コマンドは次のとおりです
yolo task=detect mode=predict model=yolov8n.pt source=assets/ device=cpu save=True
3. 独自のデータセットをトレーニングする
3.1 データセットの処理
私は主にターゲット検出を行うため、すべてのデータセットを detect に置きます。
データセットは voc 形式なので、yolo 形式に変換する必要がありますので、まずこのようなフォルダーを作成します。
xml2txt.py を実行すると、このファイルで Annotations の XML 形式の注釈ファイルが txt の yolo 形式の注釈ファイルに変換されます。
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}')
これを保存し、後で yaml ファイルに入力する必要があります。
Split_data.py を実行します。このファイルは、トレーニング、検証、およびテスト セットを分割します。
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))
新しい data.yaml を作成する
パスは絶対パスとして記述する必要があります。そうでないとエラーが報告されます。
このようにしてデータセットが処理されます。
3.2 トレーニングデータ
トレーニングコマンドを入力してください
yolo task=detect mode=train model=yolov8s.yaml data=yolo/v8/detect/fish_datasets/data.yaml epochs=100 batch=4
3.3 検証データ
検証コマンドを入力し、トレーニングされたモデルを使用して検証します。
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 予測データ
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 モデルのエクスポート
次のコマンドを使用してモデルをエクスポートします
yolo task=detect mode=export model=ultralytics/yolo/v8/detect/runs/detect/train5/weights/best.pt
この記事では、多くの専門家によって書かれた記事も参照しており、彼らのチュートリアルを確認することもできます。
YOLOV8の最強操作チュートリアル
YOLOv8チュートリアルシリーズ： 1. カスタムデータセットを使用してYOLOv8モデルをトレーニングします（チュートリアルの詳細版、1つの記事を読むだけで済みます -> パラメータ調整ガイド）（環境構築/データ準備/モデルトレーニングを含む） /prediction/verification/ Export他
YOLOv8環境構築から推論訓練まで