Yolov8训练自己的数据集-GPU

运行环境

windows10，Anaconda，Pycharm，python3.10，cuda11.2

1.yolov8项目下载

yolov8下载链接：GitHub - ultralytics/ultralytics: NEW - YOLOv8 🚀 in PyTorch > ONNX > OpenVINO > CoreML > TFLite

下载压缩包

2.下载预训练模型

yolov8项目下载页面往下滑，找到下面的图片中的模型，根据自己的需要选择一个，点击下载，这边选择的是yolov8s.pt：

下载好后将模型放进项目的根目录下

3.配置数据集

在项目中创建一个存放数据集的文件，在这个文件中创建train和val的文件，分别用于存放训练集图片标签和验证集图片标签，然后在train和val里面都创建images和labels文件存放图片和标签，images存放图片，labels存放标签

 配置data.yaml文件，没有的话自己创建一个，写入训练集和验证集图片的存放路径，设置nc，类别有多少个就写多少，names是每个类别的名称

4.项目环境安装

用pycharm打开yolov8项目

pycharm使用的环境是Anaconda环境，Anaconda自己安装，点击pycharm右下角配置环境

点击添加新的解释器 ，选择conda环境，配置自己的环境，因为这边有创建过环境，就使用现有的环境，点击确认就配置好环境了。

在pycharm终端执行pip install ultralytics，这行命令会安装训练需要的库，这边使用的是GPU进行训练，还要另外安装CUDA。

打开NVDIA控制面板，点击系统信息，点击组件，查看CUDA版本：

进入pytorch官网： PyTorch

点击 Previous versions of PyTorch，进入这个页面

按ctrl+F查找CUDA 12.1，按自己的实际版本查找

 复制命令，到pycharm终端执行，等待下载完成

5.项目运行

在pycharm终端输入命令 yolo train data=./data.yaml model=yolov8s.yaml pretrained=./yolov8s.pt save_period=4  epochs=200 batch=16 imgsz=640 device=0 workers=1 

data.yaml和yolov8s.pt要确保路径正确，epochs、batch、device、worker按照自己的需要调整，这边的显卡只有一张所有设置为0，workers不宜太大，我这边设置为1

执行命令就开始训练了

6.训练中断

如果训练意外终端，可以从断掉的地方继续训练，

在原先的命令后面加入 resume model=实际路径/last.pt，实际路径输入自己训练模型保存的路径，执行命令就可以重新训练了。

7.总结

yolov8的训练流程，跟前面yolov7 v5都训练都差不多，前面版本的超参在v8都是能用的，训练的命令基本差不多，相比前面版本，v8的项目文件会更加干净，没有那么乱，而且方便快捷，几个命令就能开始训练了。