【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
  • 1.2.下载代码和环境
  • 1.3.YOLOv8训练、自测和预测的代码及解释
  • • [1.3.1. YOLOv8 训练代码：](#1.3.1. YOLOv8 训练代码：)
    • [1.3.2.yolov8 自测代码：](#1.3.2.yolov8 自测代码：)
    • [1.3.3.yolov8 推理代码：](#1.3.3.yolov8 推理代码：)
    • 1.3.4.注意：
• 2.yolov5
• • 2.1.创建conda环境
  • 2.2.下载代码和环境
  • 2.3.YOLOv5训练、自测和预测的代码及解释
  • • 2.3.1.YOLOv5训练代码
    • 2.3.2.YOLOv5验证代码

1.yolov8

1.1.创建conda环境

conda create -n 环境名 python=3.9

conda create -n yololv8 python=3.11

其他常用conda命令：

# 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

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：

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：

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：

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：

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

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

# 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

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 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。