目标检测——YOLOv8训练自己的数据集

1.下载YOLOv8源代码

2. 配置环境

bash 复制代码

conda create -n yolov8 python=3.8
conda activate yolov8
pip install -r requirements.txt
pip install -e .

无需执行下面这步！

bash 复制代码

pip freeze > requirements.txt # 导出conda环境中相关的包

3. 数据集准备

数据集标签的格式标注为yolo的txt格式，在labelimg选择YOLO即可，然后进行标注，最后把数据集划分为训练集，验证集，（测试集）即可

非yolo的txt格式，需进行数据集格式转换，相应的转换代码：链接
划分数据集代码见：链接

4.预训练模型

如果未改变网络结构，则可以加载官方在COCO数据集上训练好的预训练模型，加快网络的收敛速度，下载相应的目标检测预训练模型并导入预训练模型，下载链接：链接

5.配置参数

配置数据集路径，类别等（data.yaml文件）
训练轮次（epoch）
批次（batchsize）
数据增广等超参数...

6.开始训练

创建train.py文件，复制以下代码运行

python 复制代码

from ultralytics import YOLO
if __name__ == '__main__':
    # 加载模型
    model = YOLO("ultralytics/ultralytics/cfg/models/v8/yolov8n.yaml")
    # 加载预训练权重
    model.load("yolov8n")
    # 训练模型
    results = model.train(data="ultralytics/data/data.yaml",  
                          resume=True,
                          epochs=100,
                          project='train',
                          patience=30,
                          name='exp',
                          amp=False)

7.开始推理

创建val.py文件，复制以下代码运行

python 复制代码

from ultralytics import YOLO

if __name__ == '__main__':
    model = YOLO('runs/train/exp/weights/best.pt')
    model.val(data='dataset/data.yaml',
              split='test',
              imgsz=640,
              batch=1,
              project='runs/val',
              name='exp',
              )

8.开始预测

创建detect.py文件，复制以下代码运行。如果需要对预测的结果进行一些处理，则需要知道预测的结果张量中代表的含义，参考链接如下：链接

python 复制代码

from ultralytics import YOLO

if __name__ == '__main__':
    model = YOLO('runs/train/exp/weights/best.pt') # select your model.pt path
    model.predict(source='dataset/images/test',
                  project='runs/detect',
                  name='exp',
                  save=True, 
                  )