U版YOLO V8项目使用-Win11系统

U版YOLO V8项目使用-Win11系统

创建激活虚拟环境

  1. 为Yolov8创建所需要的虚拟环境

    conda create --name Yolov8 python=3.11.9

  1. 激活YOLO v8虚拟环境

    activate Yolov8

  2. 通过桌面程序查看创建的结果

拉取项目源码

https://github.com/ultralytics/ultralytics?tab=readme-ov-file

拉取项目到本地并使用Pycharm打开项目。

复制代码
git clone https://github.com/ultralytics/ultralytics.git

安装依赖

  • 根据官网的提示使用可编辑模式安装所需要的库

    Clone the ultralytics repository

    git clone https://github.com/ultralytics/ultralytics

    Navigate to the cloned directory

    cd ultralytics

    Install the package in editable mode for development

    pip install -e .

预测与训练

输入命令执行测试文件使用命令行的方式执行单张图片的检测命令。

yolo predict model=yolov8s.pt source=D:/Git-res/DeepLearing/DL_01/YOLOV8/ultralytics-8.2.60/ultralytics/assets/bus.jpg

(Yolov8) D:\Git-res\DeepLearing\DL_01\YOLOV8\ultralytics-8.2.60

yolo predict model=yolov8s.pt source=D:/Git-res/DeepLearing/DL_01/YOLOV8/ultralytics-8.2.60/ultralytics/assets/bus.jpg

Downloading https://github.com/ultralytics/assets/releases/download/v8.2.0/yolov8s.pt to 'yolov8s.pt'...

100%|███████████████████████████████████████████████████████████████████████████████████████████████████| 21.5M/21.5M [00:13<00:00, 1.70MB/s]

Ultralytics YOLOv8.2.60 🚀 Python-3.11.9 torch-2.3.1+cu118 CUDA:0 (NVIDIA GeForce RTX 4060 Laptop GPU, 8188MiB)

YOLOv8s summary (fused): 168 layers, 11,156,544 parameters, 0 gradients, 28.6 GFLOPs

image 1/1 D:\Git-res\DeepLearing\DL_01\YOLOV8\ultralytics-8.2.60\ultralytics\assets\bus.jpg: 640x480 4 persons, 1 bus, 103.3ms

Speed: 9.5ms preprocess, 103.3ms inference, 60.7ms postprocess per image at shape (1, 3, 640, 480)

Results saved to runs\detect\predict

💡 Learn more at https://docs.ultralytics.com/modes/predict

使用coco128数据集和官网提供的命令模式进行训练。

官方提供的三种常用的训练命令。

复制代码
# Build a new model from YAML and start training from scratch
yolo detect train data=coco8.yaml model=yolov8n.yaml epochs=100 imgsz=640

# Start training from a pretrained *.pt model
yolo detect train data=coco8.yaml model=yolov8n.pt epochs=100 imgsz=640

# Build a new model from YAML, transfer pretrained weights to it and start training
yolo detect train data=coco8.yaml model=yolov8n.yaml pretrained=yolov8n.pt epochs=100 imgsz=640

普通的训练模式

yolo detect train data=D:/ultralytics/ultralytics/cfg/datasets/VOC-new.yaml model=yolov8s.pt epochs=50 imgsz=640 batch=8 workers=4

断点续存模式

yolo detect train data=D:/ultralytics/ultralytics/cfg/datasets/VOC-new.yaml model=D:/ultralytics/runs/detect/train/weights/best.pt epochs=300 imgsz=640 batch=16 workers=4 resume

根据上面提供的参考格式:我们使用项目中默认提供好了的coco128.yaml文件进行训练。(方便起见训练轮数设置为50batch设置为8进行训练)

复制代码
yolo detect train data=coco128.yaml  model=yolov8n.pt epochs=50 imgsz=640 batch=8 workers=4

新版的项目会自己下载数据集以及需要的预训练模型。之后就开始进行训练。

我自己在训练的时候发现,在训练的过程中当训练到41轮的时候会关闭数据增强训练。

评估训练出的网络模型

在官方文档中给出了两种模型评估方式。

  1. yolo detect val model=yolov8n.pt # val official model yolo detect val model=path/to/best.pt # val custom model

  2. 带有参数的模型评估方式

    yolo val model=yolov8n.pt data=coco8.yaml imgsz=640 batch=16 conf=0.25 iou=0.6 device=0

参考格式:

复制代码
yolo detect val model=D:\Git-res\DeepLearing\DL_01\YOLOV8\ultralytics-8.2.60\runs\detect\train\weights\best.pt
data=D:/ultralytics/ultralytics/cfg/datasets/VOC-new.yaml

个人实验:我们在coco8数据集上进行实验验证集的过程。使用的命令行命令如下所示。

复制代码
yolo detect val model=D:\Git-res\DeepLearing\DL_01\YOLOV8\ultralytics-8.2.60\runs\detect\train\weights\best.pt data=coco8.yaml

总结以上就是使用命令行cli方式跑YOLOV8代码的执行流程。

相关推荐
yolo大师兄6 小时前
【YOLO系列(V5-V12)通用数据集-火灾烟雾检测数据集】
人工智能·深度学习·yolo·目标检测·机器学习
JOYCE_Leo166 小时前
图像退化对目标检测的影响 !!
人工智能·目标检测·目标跟踪
牙牙要健康1 天前
【目标检测】【深度学习】【Pytorch版本】YOLOV3模型算法详解
pytorch·深度学习·目标检测
贤小二AI1 天前
贤小二c#版Yolov5 yolov8 yolov10 yolov11自动标注工具 + 免python环境 GPU一键训练包
人工智能·深度学习·yolo
Spcarrydoinb2 天前
基于yolo11的BGA图像目标检测
人工智能·目标检测·计算机视觉
zy_destiny2 天前
【工业场景】用YOLOv12实现饮料类别识别
人工智能·python·深度学习·yolo·机器学习·计算机视觉·目标跟踪
阿_旭2 天前
目标检测中COCO评估指标中每个指标的具体含义说明:AP、AR
人工智能·目标检测·coco评估指标
卧式纯绿2 天前
每日文献(八)——Part one
人工智能·yolo·目标检测·计算机视觉·目标跟踪·cnn
HABuo2 天前
【YOLOv8】YOLOv8改进系列(12)----替换主干网络之StarNet
人工智能·深度学习·yolo·目标检测·计算机视觉
AdaCoding3 天前
YOLOv8架构详解
yolo·网络结构图