Skip to content

模型训练

YOLOV8模型训练

YOLOv8简介

YOLOV8下载

文件介绍

文件一览，主要配置文件在ultralytics文件夹

6

安装依赖

Bash
pip install ultralytics

配置参数

添加数据集

将数据集复制到yolov8的根目录，其中数据集目录为下：

Text Only
VOCdevkit
|-images
| |-train
| |-val
|-labels
  |-train
  |-val

修改coco8.yaml

根据 --ultralytics/cfg/datasets/coco8.yaml -- 目录，找到 coco8.yaml 文件

7

根据标签进行文件内容修改-- 添加数据集目录和标签 ，另将无用进行注释

8

修改yolov8.yaml

根据--ultralytics/cfg/models/v8/yolov8.yaml--找到yolov8.yaml文件

9

修改"number of classes"的数量，如下图所示

10

模型训练

训练代码

训练模型的代码分为四步

  1. 加载预训练的 YOLO 模型（yolov8s， yolov8n等均可）
  2. 使用 'coco8.yaml' 进行模型训练
  3. 评估模型在验证集上的性能
  4. 将模型导出为ONNX格式
Python
from ultralytics import YOLO


def main():
    ### 加载预训练的 YOLO 模型
    model = YOLO("yolov8s.pt")

    ## 使用 'coco8.yaml' 数据集训练 10个 epoch 的模型
    results = model.train(data="coco8.yaml", epochs=20, device=0, imgsz=320)

    ## 评估模型在验证集上的性能
    results = model.val()

    ## 将模型导出为 ONNX 格式
    success = model.export(format="onnx")


if __name__ == "__main__":
    main()

关键参数介绍：

参数 默认值 描述
data None 数据集配置文件的路径（一般用 coco8.yaml）
epochs 100 训练轮数（按需求定，不宜太多或太少）
device None 指定用于训练的计算设备: 单个 GPU (device = 0)、多个 GPU (device = [0,1])、 CPU (device = CPU).
imgsz 640 训练用目标图像大小（若推理所用设备算力低，可调节照片大小）

训练过程与结果

12

13

检测验证

检测代码，分四步

  1. 加载自训练模型
  2. 加入照片进行推理，但会一个结果results
  3. 解析results结果对象，得到标签、角点坐标等数据
  4. 显示结果，保存结果照片

results对象个别属性介绍：

参数 描述
boxes 检测边框
masks 检测掩码
probs 分类任务的每个类的概率
keypoints 每个对象检测到的关键点
obb 面向边界框的 OBB 对象

其中boxes包含最重要的信息

名称 类型 描述
cpu() 方法 将对象移到CPU内存，用于不使用GPU时。
numpy() 方法 将对象转换成numpy数组，以便与其他库一起使用。
cuda() 方法 将对象移到GPU内存，以加速计算。
to() 方法 将对象移到指定的设备（如CPU或GPU）。
xyxy 属性 (torch.Tensor) 以xyxy格式返回框的坐标。(表示框的左上角和右下角的坐标)
conf 属性 (torch.Tensor) 返回框的置信度值（表示框是否可靠）。
cls 属性 (torch.Tensor) 返回框的类别（表示框中物体的类型）。
id 属性 (torch.Tensor) 返回框的跟踪ID（如果有，用于跟踪多个物体）。
xywh 属性 (torch.Tensor) 以xywh格式返回框的坐标。(表示框的中心点坐标和宽高)
xyxyn 属性 (torch.Tensor) 返回归一化到原始图像大小的xyxy格式框坐标。
xywhn 属性 (torch.Tensor) 返回归一化到原始图像大小的xywh格式框坐标。

将坐标归一化是指将坐标转换到 [0, 1] 范围内，以便在不同大小的图像之间进行对比。

代码如下：

Python
from ultralytics import YOLO


model = YOLO("runs/detect/train17/weights/best.pt")


results = model(["testPic/car2.jpeg"], stream=True)

for result in results:
    boxes = result.boxes
    ## xyxy坐标
    xy = boxes.xyxy
    print('-'*80)
    ## 置信度
    conf = boxes.conf
    ## 标签
    label = boxes.cls
    print(f"xyxy坐标:{xy}")
    print(f"置信度:{conf}")
    print(f"label:{label}")
    result.show()
    result.save(filename="result.jpg")

推理结果如下,同时返回**坐标**、置信度、标签信息：

16

15