【yolov8和yolov5】用命令快速着手训练

文章目录

1.yolov8

1.1.创建conda环境

bash 复制代码
conda create -n 环境名 python=3.9
bash 复制代码
conda create -n yololv8 python=3.11

其他常用conda命令:

bash 复制代码
# 克隆环境
conda create -n B --clone A  (B代表新环境名,A原环境名)
# 升级python版本
conda install  python=3.10.9
#移除conda环境
conda remove -n 环境名 --all
# 配置国内源下载
conda config --add channels http://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
pip config set global.index-url http://mirrors.aliyun.com/pypi/simple/ && pip config set install.trusted-host mirrors.aliyun.com

1.2.下载代码和环境

bash 复制代码
pip install ultralytics

1.3.YOLOv8训练、自测和预测的代码及解释

以下是提供的代码的解释:

1.3.1. YOLOv8 训练代码:

python 复制代码
yolo train data=./dataset_Attention/data.yaml model=yolov8s.pt epochs=100 device=0,1,2,3,4,5,6,7 imgsz=640 batch=256
  • yolo: YOLOv8的命令行工具。
  • train: 指定进行训练操作。
  • data=./dataset_Attention/data.yaml: 指定包含数据集信息的YAML文件的路径,其中包括数据集的配置和类别信息。
  • model=yolov8s.pt: 指定初始模型的路径或者使用预训练模型。
  • epochs=100: 指定训练的轮数,这里设置为100轮。
  • device=0,1,2,3,4,5,6,7: 指定使用的GPU设备编号。
  • imgsz=640: 设置输入图像的大小为640x640像素。
  • batch=256: 设置训练时的批处理大小为256。

1.3.2.yolov8 自测代码:

python 复制代码
yolo val data=./dataset_Attention/data.yaml model=runs/detect/train7/weights/best.pt device=0,1,2,3,4,5,6,7 imgsz=640 batch=256 conf=0.25
  • yolo: YOLOv8的命令行工具。
  • val: 指定进行验证/测试操作。
  • data=./dataset_Attention/data.yaml: 同样,指定包含数据集信息的YAML文件的路径。
  • model=runs/detect/train/weights/best.pt: 指定用于测试的模型的路径。
  • device=0,1,2,3,4,5,6,7: 指定使用的GPU设备编号。
  • imgsz=640: 设置输入图像的大小为640x640像素。
  • batch=256: 设置测试时的批处理大小为256。
  • conf=0.25: 设置目标检测置信度的阈值为0.25,即只显示置信度大于等于0.25的检测结果。

1.3.3.yolov8 推理代码:

python 复制代码
yolo val model=runs/detect/train/weights/best.pt data=./dataset_Attention/data.yaml batch=256 imgsz=640 device=0,1,2,3,4,5,6,7
  • model=runs/detect/train/weights/best.pt: 指定用于测试的模型的路径。
  • data=./dataset_Attention/data.yaml: 同样,指定包含数据集信息的YAML文件的路径。
  • device=0,1,2,3,4,5,6,7: 指定使用的GPU设备编号。
  • imgsz=640: 设置输入图像的大小为640x640像素。
  • batch=256: 设置测试时的批处理大小为256。

请确保你的目录结构、数据集配置和模型路径等信息都正确,以确保训练和测试的顺利进行。

1.3.4.注意:

复制代码
参数必须以 arg=val 对,用等号分割 = 符号,每对之间用空格分隔。不要使用 -- 参数 , 参数之间。

yolo predict model=yolov8n.pt imgsz=640 conf=0.25 ✅
yolo predict model yolov8n.pt imgsz 640 conf 0.25 ❌(缺失 =)
yolo predict model=yolov8n.pt, imgsz=640, conf=0.25 ❌(不要使用 ,)
yolo predict --model yolov8n.pt --imgsz 640 --conf 0.25 ❌(不要使用 --)

2.yolov5

2.1.创建conda环境

bash 复制代码
conda create -n yololv5 python=3.9

通过克隆版本库和建立环境为启动做好准备。这将确保所有必要的要求都已安装。检查 Python>=3.8.0和PyTorch>=1.8准备起飞。

2.2.下载代码和环境

bash 复制代码
# 下载代码
git clone https://github.com/ultralytics/yolov5  # clone repository
#安装环境
cd yolov5
pip install -r requirements.txt  # install dependencies

2.3.YOLOv5训练、自测和预测的代码及解释

2.3.1.YOLOv5训练代码

bash 复制代码
python train.py --data coco.yaml --epochs 300 --weights '' --cfg yolov5n.yaml  --batch-size 128
  • 可以根据train.py里面对应的参数修改训练参数。
  • 需要的话可以修改该文件yolov5/data/hyps/hyp.scratch-low.yaml的超参数进行训练。

2.3.2.YOLOv5验证代码

python 复制代码
python val.py --data ../data.yaml --weights='./runs/train/exp/weights/best.pt'  --imgsz=640 --conf=0.5 --iou=0.6 --batch-size=16 --device=0

同理可以参照val.py文件中的参数,修改相关参数。

相关推荐
对你无可奈何3 分钟前
给 ComfyUI 做了一个手机助手
人工智能
feasibility.1 小时前
英伟达把物理AI的3D模型“应用商店”开放了:2575个SimReady仿真资产,总计约472GB,可让agent装配机器人训练场景
人工智能·3d·机器人·仿真·建模·具身智能·英伟达
智联视频超融合平台2 小时前
消防宣传月过半,“AI+消防“给视频平台换了张考卷
人工智能·边缘计算·视频监控·安防·视频联网
冬奇Lab3 小时前
一天一个开源项目(第262篇):AG-UI —— 把 AI Agent 接进前端的开放协议,和 MCP、A2A 并列的第三块拼图
人工智能·开源
吃我一窝jio3 小时前
Python与Go线程模型深度对比
java·开发语言·python
罗西的思考3 小时前
【轻量化复现大模型 / KIMI K3】MTP / EAGLE‑3 模块交互式演示
人工智能·深度学习·算法
zwd20053 小时前
Manim 怎么放大画面的某一部分?
python·动画·可视化·manim·数学动画
屿华AI4 小时前
AUTOSAR 实战-诊断工具 | UDS 0x27 安全访问的配置化实现:种子密钥算法插件化设计
python·测试工具·汽车
RobinDevNotes4 小时前
Claude Code 剪视频,不上传、不要 API Key
人工智能·python·音视频·开发工具·ipython
stormzhangV4 小时前
Coding Agent,通往 AGI 的重要一环
人工智能·agent·ai编程