目标检测——YOLOv8训练自己的数据集
1.下载YOLOv8源代码
下载链接
2. 配置环境
conda create -n yolov8 python=3.8
conda activate yolov8
pip install -r requirements.txt
pip install -e .
无需执行下面这步！
pip freeze > requirements.txt # 导出conda环境中相关的包
3. 数据集准备
数据集标签的格式标注为yolo的txt格式，在labelimg选择YOLO即可，然后进行标注，最后把数据集划分为训练集，验证集，（测试集）即可
-
非yolo的txt格式，需进行数据集格式转换，相应的转换代码：链接
-
划分数据集代码见：链接
4.预训练模型
如果未改变网络结构，则可以加载官方在COCO数据集上训练好的预训练模型，加快网络的收敛速度，下载相应的目标检测预训练模型并导入预训练模型，下载链接：链接
5.配置参数
- 配置数据集路径，类别等（data.yaml文件）
- 训练轮次（epoch）
- 批次（batchsize）
- 数据增广等超参数…
6.开始训练
创建train.py文件，复制以下代码运行
from ultralytics import YOLO
if __name__ == '__main__':# 加载模型model = YOLO("ultralytics/ultralytics/cfg/models/v8/yolov8n.yaml")# 加载预训练权重model.load("yolov8n")# 训练模型results = model.train(data="ultralytics/data/data.yaml", resume=True,epochs=100,project='train',patience=30,name='exp',amp=False)
7.开始推理
创建val.py文件，复制以下代码运行
from ultralytics import YOLOif __name__ == '__main__':model = YOLO('runs/train/exp/weights/best.pt')model.val(data='dataset/data.yaml',split='test',imgsz=640,batch=1,project='runs/val',name='exp',)
8.开始预测
创建detect.py文件，复制以下代码运行。如果需要对预测的结果进行一些处理，则需要知道预测的结果张量中代表的含义，参考链接如下：链接
from ultralytics import YOLOif __name__ == '__main__':model = YOLO('runs/train/exp/weights/best.pt') # select your model.pt pathmodel.predict(source='dataset/images/test',project='runs/detect',name='exp',save=True, )