【Yolo】快速上手Yolo实战

一、数据集准备

前置确保安装Anaconda并创建虚拟环境安装所需环境

【Python】Anaconda安装教程-CSDN博客

【Python】pytorch安装（使用conda）_pytorch安装,使用conda命令-CSDN博客

确保创建好了虚拟环境

找到这个右键管理⚪方式打开，输入一下命令

conda create -n yolo_env python==3.10.0

1.下载数据集

如果是网上下载的数据集，确保数据集文件夹如下，且标签格式符合yolo训练所需的txt格式，如果下载下来是其他格式json等需要通过脚本转换为yolo格式的标签

复制代码

|-根目录文件夹
|-----|images      # 存放图片的文件夹
|---------|train   # 存放训练集图片
|---------|val     # 存放验证集图片
|-----|labels      # 存放标签的文件夹
|---------|train   # 存放训练集标签
|---------|val     # 存放验证集标签
|

2.自己标注数据集

如果是自己的数据需要自己标注，首先打开虚拟环境在conda控制台

找到这个右键管理⚪方式打开，输入一下命令

conda activate yolo_env

然后接着输入

pip install labelimg # 下载标注工具

下载完成后输入

labelimg

打开标注工具后

标注完成后，请确保存放标签文件与图片文件符合上述要求

二、配置文件

开始添加配置文件，首先找到你安装conda的路径打开文件夹

如果没有这个文件夹就去下载

pip install ultralytics # 可问air如何下载

在这里创建一个yaml后缀的文件将下面复制粘贴进去

复制代码

train:  # 这里填训练图片的绝对路径（冒号后记得空格）
val:   # 这里填验证图片的绝对路径

nc: 1   # 要检测目标的分类有几个 （如 猫 狗有两个这里就填2）
names:
  0: cat
  1：dog

三、代码修改

创建一个python项目（指定之前创建的虚拟环境），创建py文件将其粘贴进去

python 复制代码

from ultralytics import YOLO

if __name__ == '__main__':
    model = YOLO("yolov8n.yaml")  
 
    model.train(data="这里填你上一步创建的yaml文件名.yaml", imgsz=640, batch=16, workers=8, cache=True, epochs=100)  # train the model

    metrics = model.val()  
    path = model.export(format="onnx", opset=13)

四、查看训练结果

在与该py文件同一目录下会存在一个runs文件，里面可查看训练结果

五、进行测试

python 复制代码

from ultralytics import YOLO

if __name__ == '__main__':
    model = YOLO("runs\\model\\best.pt")  # 这里填runs/detect/生成的文件夹/weights/best.pt
    model.predict(source="这里填测试集的路径", save=True,
                  save_conf=True, save_txt=True, name='final-attention')