DL 基于Ubuntu20.04—Yolov8环境搭建及运行

本文介绍了如何下载和配置YOLOv8模型库,包括虚拟环境的创建、依赖安装、数据集处理、模型训练以及使用训练好的模型进行预测。重点讲解了环境配置步骤和训练自定义数据集的方法。
摘要由CSDN通过智能技术生成

yolov8

yolov8模型库下载地址:https://github.com/ultralytics/assets/releases/tag/v0.0.0
yolov8 模型的每个类别中有五个模型用于检测、分割和分类。yolov8 Nano 是最快和最小的,而 yolov8 Extra Large (YOLOv8x) 是其中最准确但最慢的。

Yolov8l.ptYolov8m.ptYolov8n.ptYolov8s.ptYolov8x.pt
Yolov8l-cls.ptYolov8m-cls.ptYolov8n-cls.ptYolov8s-cls.ptYolov8x-cls.pt
Yolov8l-oiv7.ptYolov8m-oiv7.ptYolov8n-oiv7.ptYolov8s-oiv7.ptYolov8x-oiv7.pt
Yolov8l-pose.ptYolov8m-pose.ptYolov8n-pose.ptYolov8s-pose.ptYolov8x-pose.pt
Yolov8l-seg.ptYolov8m-seg.ptYolov8n-seg.ptYolov8s-seg.ptYolov8x-seg.pt
Yolov8l-v8loader.ptYolov8m-v8loader.ptYolov8n-v8loader.ptYolov8s-v8loader.ptYolov8x-v8loader.pt

环境配置参考:https://zhuanlan.zhihu.com/p/603689454

1.创建虚拟环境

激活anaconda环境

conda activate

创建一个名为yolov8虚拟环境,用来安装配置运行环境

conda create -n yolo v8

激活环境

activate yolov8

安装python依赖

conda install python=3.8
conda install numpy mkl cffi

安装配套的torch torchvision
GPU:

conda install pytorch==1.11.0 torchvision==0.12.0 torchaudio==0.11.0 cudatoolkit=11.3 -c pytorch -c conda

CPU:

conda install pytorch=1.11.0 torchvision=0.12.0 torchaudio=0.11.0 cpuonly -c pytorch

目前 YOLOv8 核心代码都封装在 ultralytics 这个依赖包里面,可以通过 pip(推荐)或 git clone 来安装

pip install ultralytics

如果这里安装不成功,请再次执行ultralytics安装指令,多运行几次。

2.查看ultralytics环境

输入python 3调起python环境
分别输入如下命令

import ultralytics
ultralytics.checks()

此时显示如下内容,说明安装成功。
在这里插入图片描述

数据集

如果想下载数据集训练,可参考:https://zhuanlan.zhihu.com/p/603689454
COCO数据集地址:https://cocodataset.org/#download

3.配置yolov8路径

参考:https://blog.csdn.net/weixin_40950590/article/details/133026564?spm=1001.2014.3001.5502
此处是直接修改ultralytics环境配置文件:默认路径:
/home/stk/.config/Ultralytics/settings.yaml
在这里插入图片描述在这里插入图片描述
注意上图yolov8及其内部文件夹是提前手动创建好的。配置好后再次输入

yolo settings

在这里插入图片描述

4.跑官网数据集

输入指令:

yolo detect train data=coco128.yaml model=yolov8n.yaml epochs=100 imgsz=640 device=0

在这里插入图片描述在这里插入图片描述在这里插入图片描述在这里插入图片描述

5.跑自己的数据集

在yolov8/train/datasets中创建mydata文件夹来存放自己的数据集,并在yolov8/train/datasets创建mydata.yaml文件
在这里插入图片描述在mydata中创建train和val两个文具文件夹,并在train和val中再分别创建images和labels两个文件夹,并将停车位图片及其标记文件分别放入train和val的images 、labels中。
在这里插入图片描述
修改默认路径下:anaconda3/envs/yolov8/lib/python3.8/site-packages/ultralytics/cfg/models/v8/yolov8.yaml中的nc(number of classes)改为自己的类别数。
设置好mydata.yaml:
在这里插入图片描述
终端输入指令,训练自己的数据集:

yolo detect train data=/home/stk/yolov8/train/datasets/mydata.yaml model=yolov8n.yaml epochs=100 imgsz=640 device=0

在这里插入图片描述在这里插入图片描述训练完成后会输出训练好的模型
在这里插入图片描述一般用best.pt进行测试。

6.利用训练好的模型进行测试

yolo detect predict model=/home/stk/yolov8/train/runs/detect/train4/weights/best.pt source=/home/stk/下载/Parking-slot-dataset-master/Open/parking_key_point0828_L/000532.jpg

还可以通过网址下载测试图片:source=‘https://ultralytics.com/images/bus.jpg’
在这里插入图片描述预测结果:
在这里插入图片描述

7.追加训练

在原来训练的best.bt上追加训练次数,,这里追加100次

yolo detect train data=/home/stk/yolov8/train/datasets/mydata.yaml  model=/home/stk/yolov8/train/runs/detect/train4/weights/best.pt epochs=100 imgsz=640 device=0

yolov8卷积神经单元代码在conv.py
在这里插入图片描述

  • 31
    点赞
  • 27
    收藏
    觉得还不错? 一键收藏
  • 2
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 2
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值