2023最新-用yolov8训练自己的数据集

点击全文阅读

YOLOv8训练教程

一、代码下载二、环境配置2.1 创建新环境2.2 安装pytorch2.3 安装第三方包2.4 安装ultralytics2.5 Bug解决2.6 手动下载权重2.7 检验是否可用 三、训练自己的数据集3.1 处理数据集3.2 训练数据3.3 验证数据3.4 预测数据3.5 模型导出

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 ETimport os, cv2import numpy as npfrom os import listdirfrom os.path import joinclasses = []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, shutilfrom sklearn.model_selection import train_test_splitval_size = 0.1test_size = 0.2postfix = '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

点击全文阅读