目标检测YOLO[04]:跑通最简单的YOLO模型训练

1.基础训练流程

1.1 什么是模型训练？

简单一句话：训练就是准备好数据集和模型，然后不断把数据集投喂给模型，让模型慢慢掌握预测的能力。

1.2 训练要关注什么？

📚 数据集：数据集就是"投喂" 为模型的物料。

首先要搞清楚你的目标是想让模型预测什么？有没有现成的数据集？如果有人已经做过这种数据集并且资料公开，那我们就可以直接拿来用。如果比较特殊，没有人做过，那我们就只能自己动手做一个数据集了。

📦 模型：就是你要训练哪个模型。前一篇中看到 Ultralytics准备好了各种版本，各种大小。我们要做的就是选择一个模型来训练，或者别人训练好的拿过来改进，提升效果。

📌训练选项：在开始训练之前，有一些训练选项我们需要进行调整：

一共要投喂多少轮? epochs=?
图片缩放到多少? imgsz=?
每个批次打包多少张图片？batch=?
要不要缓存加速一下训练? cache=?
要不要多用几个进程加载数据集? workers=?

2.尝试跑通最简单的YOLO训练

打开VS Code，SSH 连接到项目：

在项目根目录下创建一个文件 mytrain.py

python 复制代码

from ultralytics import YOLO

if __name__ == '__main__':
    model = YOLO('yolov8n.pt')
    # 开启训练
    model.train(
        data=r'coco8.yaml', 
        epochs=10, # 训练轮数
        imgsz=640, # 训练图片大小
        batch=2, # 训练批次
        cache=False, # 是否缓存数据
        workers=0, # 训练进程数
    )

执行后，会自动下载两个文件，我截取了部分日志：

latex 复制代码

WARNING ⚠️ Dataset 'coco8.yaml' images not found, missing path '/home/qy/yolo/ultralytics-8.3.229/datasets/coco8/images/val'
Downloading https://ultralytics.com/assets/coco8.zip to '/home/qy/yolo/ultralytics-8.3.229/datasets/coco8.zip': 100% ━━━━━━━━━━━━ 432.8KB 402.5KB/s 1.1s
Unzipping /home/qy/yolo/ultralytics-8.3.229/datasets/coco8.zip to /home/qy/yolo/ultralytics-8.3.229/datasets/coco8...: 100% ━━━━━━━━━━━━ 25/25 2.0Kfiles/s 0.0s
Dataset download success ✅ (2.3s), saved to /home/qy/yolo/ultralytics-8.3.229/datasets

第一个文件：在数据集目录下没有找到 coco8.yaml 这个配置文件,

于是开始到 https://ultralytics.com/assets/coco8.zip 下载，并保存到了 /home/qy/yolo/ultralytics-8.3.229/datasets/coco8.zip, 随后进行了解压

如果下载失败了，就手动下载，然后放入到提示的对应的目录中。注意不要去解压缩文件，它会自动被解压缩

latex 复制代码

Downloading https://ultralytics.com/assets/Arial.ttf to '/home/qy/.config/Ultralytics/Arial.ttf': 100% ━━━━━━━━━━━━ 755.1KB 99.9KB/s 7.6s

第二个文件：下载了一个字体文件，保存到了 /home/qy/.config/Ultralytics/Arial.ttf

然后看到类似的进度条，就表示已经开始训练了：

最前面的 Epoch ,可以清楚的看到这是第几轮训练。

最终，训练完成之后，结果被保存到了 ......runs/detect/train2文件夹中了。

在weights文件夹中有两个.pt文件， best.pt就是我们通过训练后，得到的模型。其它还有一些图片，这些图片都是用来评价这次训练的，即给best.pt的各项指标打分。

3.理解数据集[重要]

3.1 YOLO需要什么样的数据集

关于训练，就是将一堆图片投喂给模型。那么对于这堆图片，数据集通常会按照一定比例进行划分为： 训练集（多的部分）和 验证集（少的部分）

3.2 训练集/验证集

每一轮训练就分为两个部分：

用训练集更新模型的参数, 这是真正意义上的训练

再使用验证集看看训练效果好不好

所以训练就是不断重复：训练->验证 , 训练->验证 ... 的过程。

每一轮训练会看到两个进度条，第一个进度条是训练，第二个进度条是验证。

也可以跳过验证，只需要添加一个参数val=False即可,添加这个参数后，就会看到只有一个进度条了：

python 复制代码

    # 开启训练
    model.train(
        data=r'coco8.yaml', 
        epochs=10, # 训练轮数
        imgsz=640, # 训练图片大小
        batch=2, # 训练批次
        cache=False, # 是否缓存数据
        workers=0, # 训练进程数
        val=False # 是否验证
    )

3.3 测试集

这堆图片除了被划分为训练集和验证集，还会划分一部分出来作为测试集，比如按照 7:2:1进行划分：

每一轮都会用到训练集和验证集，但是测试集不参与训练，它的作用是等到整场训练完毕后，用来评估模型的效果。就是看谁在测试集上取得更好的效果。其办法就是拿 测试集上的标签与 预测结果进行对比，进行相似度计算，相似度（得分）高的取胜，其实就是一个量化的过程。

不是每个数据集都提供测试集的，也就是说测试集不是必须的，你可以在实际用的过程中查看效果，这其实也是一种测试，只不过这个测试没有量化。

4.数据集

在训练程序中指定了一个参数：

python 复制代码

data=r'coco8.yaml' # 可以是一个绝对路径

可以看到这个文件其实是一个 yaml格式的配置文件，它的作用就是训练开始前用来告诉YOLO，训练集/验证集图片/标签分别在按个文件夹。

4.1 数据集目录结构

也就是说一个数据集文件夹是必须按照一定的目录结构来组织数据：

coco8.yaml文件的实际路径是：ultralytics/cfg/datasets/coco8.yaml数据集文件夹结构：

yaml 复制代码

path: coco8 # 数据集在的路径，这里实际路径是 项目根目录/datasets/coco8, 也可以是一个绝对路径
# 对应的训练标签文件夹就是 labels/train
train: images/train # 训练集图片文件夹, 
# 对应的验证标签文件夹就是 labels/val
val: images/val # 验证集图片文件夹
test: # 测试集图片文件夹[可选]

# Classes
names:
  0: person
  1: bicycle
  2: car
  3: motorcycle
  4: airplane
...

# Download script/URL (optional)
download: https://github.com/ultralytics/assets/releases/download/v0.0.0/coco8.zip

4个文件夹，有任何一个文件夹找不到，训练程序就会报错

4.2 标签文件内容

每个训练文件图片都会对应一个标签文件，标签文件说的是图片中有什么东西，分别在什么地方：

如：

标签文件中（以第一行为例）：（注意坐标系远点在图片的左上角）

第一列（类型）：就是配置文件中分类的编号，如 45它表示碗
第二列（cx）：框中心点横坐标占用图片宽度的比例
第三列（cy）：框中心点纵坐标占图片高度的比例
第四列（w）: 框的宽度占图片宽度的比例
第四列（h）: 框的高度占图片高度的比例

标签可视化可以使用工具LabelImg来制作自己的数据集:

4.Labellmg

4.1安装

需要使用pip进行安装。因为它是用于标注的图形化软件，所以在windows上安装python环境，并安装conda虚拟环境：

shell 复制代码

# 创建一个conda环境, Labellmg 兼容 python 3.9 环境
(base) conda create -n labelimg python=3.9

#激活虚拟环境
(base) conda activate labelimg

# 接下来会使用pip安装依赖，所以天添加国内加速
(labelimg) pip config set global.index-url https://mirrors.huaweicloud.com/repository/pypi/simple/

(labelimg) pip install labelimg

# 输入labelimg运行
labelimg

4.2 标记coco8数据集

由于labelimg 编辑器在windows上，而前面下载的 coco8 数据集在服务器上，所以要将服务器上的coco8 数据集下载到本地。

Labellmg 对数据集的要求除了标准数据集目录结构以外，还要求在 labels\train文件夹下有一个classes.txt文件，内容与 coco8.yaml文件中的names节点一样，它要去掉前面的数字，

即：没有类型序号，只有类型名称

classes.txt内容如下（拷贝coco8.yamlnames节点内容，去掉前面的数字+冒号），下面是去掉后的部分内容：

latex 复制代码

person
bicycle
car
motorcycle
airplane
bus
...

现在在运行labelimg命令的时候，需要为它添加

训练数据集文件夹绝对路径，如：E:\coco8\images\train
训练数据集标签文件夹绝对路径 ,如： E:\coco8\labels\train
classes.txt 文件绝对路径, 如：E:\coco8\labels\classes.txt

shell 复制代码

labelimg E:\coco8\images\train  E:\coco8\labels\train\classes.txt E:\coco8\labels\train

现在就可以看到每个图片的标记内容了：

要想看到表面名称，需要打开：

这样我们就可以自己来进行标注了。

5.怎么获取现成的数据集

在 ultralytics/cfg/datasets文件夹下可以看到还有很多内置的数据集。这些内置的数据集中都配置了下载地址。

步骤：

修改程序（mytrain.py）中model.train的 data参数，指定要数据集配置文件名称
运行程序，程序会自动下载。如果自动下载出现问题，则手工下载后将文件放入到提示指定的地方。
在标签目录中添加classes.txt文件，内容从数据集配置文件中拷贝，去掉分类序号，保留分类名称。