YOLO-v8使用说明

我怪鸡困

已于 2024-03-10 13:29:26 修改

阅读量9.8k

点赞数 45

分类专栏： python 文章标签： YOLO python

于 2024-03-08 20:53:48 首次发布

本文链接：https://blog.csdn.net/BullMilk/article/details/136462067

版权

python 专栏收录该内容

11 篇文章

订阅专栏

一、YOLO-v8下载

yolov8官网地址：https://github.com/ultralytics/ultralytics
直接点击code中的Download ZIP下载即可

二、环境创建

创建yolo环境

通过终端创建新环境：conda create -n yolo python=3.10 其中“yolo”是环境名称，后面是python版本

安装cuda、cudnn和pytorch

Ps：建议按照cuda、cudnn、pytorch的顺序安装

cuda官网：https://developer.nvidia.com/cuda-downloads
可以通过在终端中输入nvidia-smi来查看gpu所支持的cuda版本（可以不在c盘安装）
安装完cuda后，可在终端输入nvcc --version查看是否安装cuda
cudnn官网：https://developer.nvidia.com/rdp/cudnn-archive
下载完后发现有三个文件夹，将这三个文件夹复制到cuda的安装目录下，默认的安装目录为：C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA
验证安装成功：进入目录（安装目录下的extras\demo_suite目录）C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.3\extras\demo_suite，在cmd中分别执行bandwidthTest.exe和deviceQuery.exe，执行结果为PASS则安装成功
pytorch官网：https://pytorch.org/
按下win+r建输入cmd进入终端，通过指令activate yolo激活yolo环境后，输入pytorch中的安装指令。如：pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121
检验：使用以下 Python 代码来查看 PyTorch 的版本和cuda可用性：
```
import torch
print(torch.__version__)
print("Is CUDA available:", torch.cuda.is_available())
```

安装yolov8 python官方包（包含了requirement）

一定要在torch安装后再进行安装！！

pip install ultralytics

三、测试yolov8是否可以使用

预训练权重的下载

在yolov8源码的根目录下找到README文件，打开后找到yolov8n模型，并根据链接下载，并放在根目录下
在这里插入图片描述

进行预测

在yolov8根目录下打开cmd，输入下列代码测试：

yolo predict model=yolov8n.pt source='ultralytics/assets/bus.jpg'

结果如下图所示：
在这里插入图片描述

然后可以在根目录下找到“runs”文件夹，在runs中的detect\predict文件夹中存放着刚刚预测的结果：

在这里插入图片描述

四、建立自己的数据集

数据集标注软件：labelImg
官方下载地址：https://github.com/tzutalin/labelImg
安装：下载完后，cd到labelImg-master文件夹下，在终端输入

conda install pyqt=5
pyrcc5 -o libs/resources.py resources.qrc
conda install lxml

进行安装，通过labelImg.py打开软件

数据集格式

文件夹“datasets”
- 文件夹“train”（训练集数据）
  - 文件夹“images”（图片）
  - 文件夹“labels”（标注）
    - classes.txt
- 文件夹“val”（验证集数据）
  - 文件夹“images”（图片）
  - 文件夹“labels”（标注）
    - classes.txt
- data.yaml

classes.txt：存放数字标签对应的类别，如船舶分类类别：
在这里插入图片描述

data.yaml：里面存放数据集的路径、训练集和验证集所在的位置，分类类别，分类数量
ps：yolo会根据图片地址自动找到对应名称的txt地址

path: D:\zzj\Math-project\datasets  # dataset root dir
train: train/images/train2024  # train images (relative to 'path')
val: val/images/val2024  # val images (relative to 'path')
test:  # test images (optional)

#分类数量
nc: 6

#分类类别
names: ['bulk cargo carrier','container ship', 'fishing boat', 'general cargo ship', 'ore carrier', 'passenger ship']

五、训练数据集

ps：一定要先改yolov8.yaml中nc的值！！！！（nc为分类个数）
路径：ultralytics\cfg\models\v8\yolov8.yaml

在项目中新建train.py：

from ultralytics import YOLO

def main():
    model = YOLO("yolov8m.yaml")  #加载模型
    
    model.train(data=r"datasets\data.yaml", epochs=100, workers=8, device=0)  #训练模型
    metrics = model.val()  # 在验证集上评估模型性能

if __name__ == '__main__':
    main()

其中model.train中的参数如下：
官网给出的解释：https://docs.ultralytics.com/modes/train/
推荐一个训练参数解释的不错的文章：https://blog.csdn.net/qq_37553692/article/details/130898732

Key	默认值	描述
`model`	None	指定用于训练的模型文件。
`data`	None	数据集配置文件的路径（例如 coco128.yaml).该文件包含特定于数据集的参数，包括训练数据和验证数据的路径、类名和类数。
`epochs`	100	训练轮数
time	None	最长训练时间（小时）。如果设置了该值，则会覆盖 epochs 参数，允许训练在指定的持续时间后自动停止。
patience	100	在验证指标没有改善的情况下，提前停止训练所需的训练轮数。当性能趋于平稳时停止训练，有助于防止过度拟合。
`batch`	16	训练的批量大小，表示在更新模型内部参数之前要处理多少张图像。自动批处理 (batch=-1)会根据 GPU 内存可用性动态调整批处理大小。
`imgsz`	640	用于训练的目标图像尺寸。所有图像在输入模型前都会被调整到这一尺寸。影响模型精度和计算复杂度。
save	True	是否保存训练的检查点和预测结果。当训练过程中保存检查点时，模型的权重和训练状态会被保存下来，以便在需要时进行恢复或继续训练。预测结果也可以被保存下来以供后续分析和评估。
`save_period`	-1	保存模型检查点的频率，以 epochs 为单位。值为-1 时将禁用此功能。该功能适用于在长时间训练过程中保存临时模型。
`resume`	False	从上次保存的检查点恢复训练。自动加载模型权重、优化器状态和历时计数，无缝继续训练。
`device`	None	指定用于训练的计算设备：单个 GPU (device=0）、多个 GPU (device=0,1)、CPU (device=cpu)，或苹果芯片的 MPS (device=mps)。
workers	8	数据加载时的工作线程数。在数据加载过程中，可以使用多个线程并行地加载数据，以提高数据读取速度。这个参数确定了加载数据时使用的线程数，具体的最佳值取决于硬件和数据集的大小。
name	None	训练运行的名称。用于在项目文件夹内创建一个子目录，用于存储训练日志和输出结果。

六、使用训练好的网络进行检测（detect）

from ultralytics import YOLO

#加载模型
model = YOLO(r"best.pt")

#要检测的数据存放的位置
results = model.predict(source=r"WarShip\detect", show=False ,save=True)