ultralytics yolo入门实践

一、配置本地Python环境

二、下载YOLO源码并解压

复制代码

https://github.com/ultralytics/ultralytics/releases

解压后的目录结构如下：

三、安装YOLO

可以直接使用pip安装，但是这样安装无法对源码进行修改
源码安装，源码安装后，可以直接修改源代码。

源码安装方式，进入项目目录后，执行：

复制代码

pip  install  -e  .

四、体验一下使用已有的模型进行预测

命令行执行预测

复制代码

yolo task='detect' mode='predict' model='yolo26n.pt' source='bus.jpg'

复制代码

yolo predict model='yolov8n.pt' source="bus.jpg"

参数说明：

model：指定用哪个模型进行预测（在执行时会自动下载这个模型，或者也可以提前下载好放在项目里）

source：指定想要预测的图片或视频

执行结果会保存在runs目录下：

代码行执行预测

复制代码

from ultralytics import YOLO

yolo = YOLO('yolov8n.pt', task='detect')
result = yolo(source='bus.jpg', save=True)

参数说明：

save：是否保存结果，存到run目录

conf: 表示置信度多少以下不显示

... ...

这些参数也可以直接在文件中指定：

五、训练自己的模型

上面用到的是YOLO已经训练好的模型进行预测的，我们要在它的模型基础上，用我们自己的数据集来训练自己的模型。

我在这里用的是电脑桌面截图，通过训练想让模型识别微信和飞书两个应用的图标。

第一步：准备数据集

我这里使用截图工具Pixpin截图，很好用。

第二步：数据集重命名

截图后，将所有图片按顺序命名如：1.png, 2.png, 3.png ...，（这里用到批量重命名工具https://rename.jgrass.xyz/）

第三步：标注数据

标注数据用到标注工具：labelimg

第四步：整理数据的目录结构

数据集目录结构如下：

其中：images和labels中的train和val需要分别一一对应，

labels中还有一个classes.txt，保存类别：

第五步：将数据集放到项目中去

第六步：写yaml配置文件

datasets目录下有很多模板，定义一个自己的即可：

复制代码

path: icons # dataset root dir
train: images/train # train images (relative to 'path') 118287 images
val: images/val # val images (relative to 'path') 5000 images
test:    # 20288 of 40670 images, submit to https://competitions.codalab.org/competitions/20794

# Classes
names:
  0: feishu
  1: wechat

第七步：训练

复制代码

from ultralytics import YOLO
# Load model
model = YOLO('yolo11n.pt')
# Train model
model.train(data='icons.yaml',workers=0, epochs=300, batch=16)

最后一步：用训练出来的模型预测

训练完成后，会在runs路径下生成train目录，找到最后一个train(我这里是train3)，train3/weights/best.pt就是训练出来的做好的模型：

#### 用 best.pt 模型进行预测看看效果：

复制代码

from ultralytics import YOLO

yolo = YOLO('best.pt', task='detect')
result = yolo(source='test.png', save=True)

效果如下（效果可能不太好，重在学习过程）：