|
一、准备深度学习环境 本人的笔记本电脑系统是：Windows10 YOLO系列最新版本的YOLOv8已经发布了，详细介绍可以参考我前面写的博客，目前ultralytics已经发布了部分代码以及说明，可以在github上下载YOLOv8代码，代码文件夹中会有requirements.txt文件，里面描述了所需要的安装包。 本文最终安装的pytorch版本是1.8.1，torchvision版本是0.9.1，python是3.7.10，其他的依赖库按照requirements.txt文件安装即可。  然后还需要安装ultralytics，目前YOLOv8核心代码都封装在这个依赖包里面，可通过以下命令安装 pip install ultralytics 二、 准备自己的数据集 本人在训练YOLOv8时，选择的数据格式是VOC，因此下面将介绍如何将自己的数据集转换成可以直接让YOLOv8进行使用。 1、创建数据集 我的数据集都在保存在mydata文件夹（名字可以自定义），目录结构如下，将之前labelImg标注好的xml文件和图片放到对应目录下 mydata …images # 存放图片 …xml # 存放图片对应的xml文件 …dataSet #之后会在Main文件夹内自动生成train.txt，val.txt，test.txt和trainval.txt四个文件，存放训练集、验证集、测试集图片的名字（无后缀.jpg） 示例如下： mydata文件夹下内容如下：  image为VOC数据集格式中的JPEGImages，内容如下：  xml文件夹下面为.xml文件（标注工具采用labelImage），内容如下：  dataSet 文件夹下面存放训练集、验证集、测试集的划分，通过脚本生成，可以创建一个split_train_val.py文件，代码内容如下：   运行代码后，在dataSet 文件夹下生成下面四个txt文档：  三个txt文件里面的内容如下：  2、转换数据格式 接下来准备labels，把数据集格式转换成yolo_txt格式，即将每个xml标注提取bbox信息为txt格式，每个图像对应一个txt文件，文件每一行为一个目标的信息，包括class, x_center, y_center, width, height格式。格式如下：  创建voc_label.py文件，将训练集、验证集、测试集生成label标签（训练中要用到），同时将数据集路径导入txt文件中，代码内容如下：   3、配置文件 1）数据集的配置 在mydata文件夹下新建一个mydata.yaml文件（可以自定义命名），用来存放训练集和验证集的划分文件（train.txt和val.txt），这两个文件是通过运行voc_label.py代码生成的，然后是目标的类别数目和具体类别列表，mydata.yaml内容如下： 2) 选择一个你需要的模型 在ultralytics/models/v8/目录下是模型的配置文件，这边提供s、m、l、x版本，逐渐增大（随着架构的增大，训练时间也是逐渐增大），假设采用yolov8x.yaml，只用修改一个参数，把nc改成自己的类别数,需要取整（可选） 如下： 至此，自定义数据集已创建完毕，接下来就是训练模型了。 三、模型训练 1、下载预训练模型 在YOLOv8的GitHub开源网址上下载对应版本的模型 https://github.com/ultralytics/assets/releases 2、训练 接下来就可以开始训练模型了，命令如下： yolo task=detect mode=train model=yolov8x.yaml data=mydata.yaml epochs=1000 batch=16 以上参数解释如下： task：选择任务类型，可选['detect', 'segment', 'classify', 'init'] mode: 选择是训练、验证还是预测的任务蕾西 可选['train', 'val', 'predict'] model: 选择yolov8不同的模型配置文件，可选yolov8s.yaml、yolov8m.yaml、yolov8l.yaml、yolov8x.yam data: 选择生成的数据集配置文件 epochs：指的就是训练过程中整个数据集将被迭代多少次,显卡不行你就调小点。 batch：一次看完多少张图片才进行权重更新，梯度下降的mini-batch,显卡不行你就调小点。 训练过程如下所示 目标检测再升级！YOLOv8模型训练和部署 |
|
|
