【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
Nicole-----21 小时前
PySpark数据输入
python
机器之心21 小时前
字节Seedream 4.0将全量开放!抢先评测来了,我们摸索出AI生图一大波「邪修」玩法
人工智能·openai
扑克中的黑桃A1 天前
Python学习的自我理解和想法(27)
python
空白到白1 天前
机器学习-集成学习
人工智能·机器学习·集成学习
水凌风里1 天前
4.4 机器学习 - 集成学习
人工智能·机器学习·集成学习
雲_kumo1 天前
集成学习:从理论到实践的全面解析
人工智能·机器学习·集成学习
用户5191495848451 天前
30条顶级APT与蓝队攻防单行命令:网络战场终极对决
人工智能·aigc
双向331 天前
AI 辅助文档生成:从接口注释到自动化 API 文档上线
人工智能
算法打盹中1 天前
基于树莓派与Jetson Nano集群的实验边缘设备上视觉语言模型(VLMs)的性能评估与实践探索
人工智能·计算机视觉·语言模型·自然语言处理·树莓派·多模态·jetson nano