yolov8实例分割，一步一步带你操作，手把手教学

睡不醒的Michael

已于 2024-05-16 09:58:39 修改

阅读量5.3k

点赞数 24

文章标签： yolov8

于 2023-11-09 17:52:27 首次发布

本文链接：https://blog.csdn.net/2302_77816072/article/details/134298779

版权

由于研究项目要求，本人在自学完成图像识别和实例分割时，遇到了很多问题，找了很多资料，也没有找到详细说明的教程，于是我想把自己的一些经验分享给大家，希望有所帮助。由于是初学者，很多地方可能不如人意，欢迎大家交流指正。

本篇将以穿山甲实例分割，手把手教你完成基于yolov8的图像分割项目。(需要注意的是，本文中的教程并没有使用conda创建虚拟环境，而是直接在原有的python解释器上进行创建，如果需要创建的话，可以自己创建一个，然后将下列步骤正常操作一遍即可，如果使用的是新版pycharm,创建环境遇到问题，可以参考）https://blog.csdn.net/2302_77816072/article/details/138497929?spm=1001.2014.3001.5502

文章将分为以下几个部分：

1.必要库的安装以及环境配置

2.数据集的标注

3.模型的训练

4.输入自己的图片进行预测

1.必要库的安装以及环境配置

GitHub - ultralytics/ultralytics: NEW - YOLOv8 🚀 in PyTorch > ONNX > OpenVINO > CoreML > TFLitehttps://github.com/ultralytics/ultralytics直接点击此链接，跳转至github下载对应的yolov8项目代码，点击code后，直接download zip,下载项目所需要的包。

之后，我们可以新建一个文件夹，将所下载的项目代码解压到对应的文件夹，然后把这个文件夹命名为我们的项目名称。

同时，这里推荐我们安装一个pycharm，（可以直接百度搜索pycharm，然后根据自己的电脑类型和配置安装相应的版本，大部分情况下来说，社区版就足够了）安装完成以后，我们右击我们新建的文件夹，选择open folder as pycharm,(如果右击没有找到，可以点击显示更多选项，然后就可以看到了）。

打开后，你会看到这样的一个界面，左边显示的就是我们所下载的yolov8项目代码了，我这里将穿山甲图片也一并导入了进去。

之后，我们点击左下角的第四个图标，也就是终端，输入以下命令：
pip install -r requirements.txt
（注意，如果此时报错，可以尝试将main目录下的requirements.txt文件复制一份到主文件夹里面，就像这样），之后就不会再报错了）

之后，我们进行安装，然后安装成功就会显示如下：

至此，我们所有的准备工作就已经完成了。

2.数据集标注

由于实例分割的数据集训练比较复杂，并不是像图像识别那样直接标注框框就可以了，于是labelimg我们无法使用，在这里我推荐的是roboflow这个标注工具，它是在线网站（可能需要使用VPN进行访问），并且标注好后可以方便地划分训练集，测试集和验证集。

Roboflow: Give your software the power to see objects in images and video

直接点击sign in,之后creat new project ,然后按照网站上的指引，（注意：在选择类型时，要选择第三个，即实例分割）之后打开自己数据集的数据，然后完成相应的标注，下面将展示一下对应的操作步骤：

当你新建项目完成后，上传好需要标注的数据集后，就可以选择保存和上传了：

我这里以我自己的穿山甲图片数据集为例，大致选择了100多张进行简单标注。

在标注的时候，我们可以选择它提供的快捷工具，（就是图中的第四个箭头）可以直接帮助我们省去很多步骤：

在标注完成后，我们可以使用roboflow快速的进行训练集，测试集以及验证集的划分,如下所示：

之后，我们点击generate,就可以自动生成我们所需要的数据集了，还免去了划分测试集，训练集以及验证集的过程，之后我们点击export dataset就可以导出我们需要的数据集了。

记得选择yolov8格式，然后下载压缩包到你的电脑。至此，我们就完成的数据集的标注。

3.模型的训练

我们导出的数据集在roboflow的帮助下直接就划分成了训练集，测试集以及验证集，然后，我们将导出的数据集放在这个位置：(如图中的pangolin所示，就是我的数据集，我们可以在ultralytics中新建一个名为pang的目录，然后将数据集放入,这个可以根据你的数据集名称进行命名）

接下来，按照如下的两幅图进行操作：

打开ultralytics目录下的datasets文件，找到coco128-seg.yaml,把图中的path换成你的数据集所在的路径 ,然后train，val以及test分别换成你数据集里面的图片所在位置，（注意不需要标签，图片所在位置即可）

然后，把classes下面的目录删掉，只留一行（需要说明的是，因为我们这个是单个实例分割，即只需要分割出图片中的穿山甲即可，所以只需要一个分类，如果你想要做多个目标实例分割，可以根据自己需要留下相应的行数，有几个目标留几行，然后把目标的名称改成我们需要的，例如我就将其改成了穿山甲pangolin)

之后，在ultralytics目录下的models目录下找到v8目录，找到其中的 yolov8-seg.yaml，将文件里面的nc改成1，还是同上，因为在我们这个实例中，我们只需要分割一种类型。

至此，我们已经快要成功了，然后就开始进行训练了，在我们的主文件夹中新建一个python文件，命名为my_train,然后输入以下代码：

from ultralytics import YOLO

#load a model
model = YOLO("D:/csdn_pang/ultralytics-main/ultralytics-main/ultralytics/cfg/models/v8/yolov8-seg.yaml")
model = YOLO("D:/csdn_pang/yolov8n-seg.pt")

#Train the model
model.train(data='D:/csdn_pang/ultralytics-main/ultralytics-main/ultralytics/cfg/datasets/coco128-seg.yaml',epochs=30,imgsz=640)

需要注意的是，第一个model里面的内容就是我们上一步修改类别的yaml文件，然后第二个model里面的内容则是yolov8分割的权重文件,如果在开始下载的代码中没找到，可以通过下面链接https://github.com/ultralytics/assets/releases

跳转到github进行下载，具体位置则在：

最后，你的model.train中需要填入的则是你开始coco128-seg.yaml所在的路径，（epochs则代表的是你需要训练的次数，我选择的是30次）。至此，所有需要的路径名称已经填写完毕，接下来，我们开始训练即可。

运行该代码，则开始我们的训练，当训练完成时，会出现以下提示：

它会告诉我们保存的路径。至此，我们模型训练完成。

4.输入自己的图片进行预测

我们还是在主目录下新建一个python文件，命名为my_predict,然后输入以下代码：

from ultralytics import YOLO
from PIL import Image
from ultralytics import YOLO

# Load a model
model = YOLO("D:/csdn_pang/runs/segment/train2/weights/best.pt")  # load an official model
#model = YOLO('path/to/best.pt')  # load a custom model

# Predict with the model
results = model("D:\csdn_pang\pangolin_images\GettyImages-512293046-670ef1cd177744bba811ab24bbd54c83.jpg")  # predict on an image

# Show the results
for r in results:
    im_array = r.plot()  # plot a BGR numpy array of predictions
    im = Image.fromarray(im_array[..., ::-1])  # RGB PIL image
    im.show()  # show image

第一个model里面输入的路径为，我们在训练结束时得到结果的best.pt文件，然后，在results里面输入你想要预测的图片或者视频，运行该代码就可以得到结果啦。