用Yolov8训练自己的数据集

        上一次初步的介绍了一下Yolov8，这次就详细的说明一下如何训练自己的数据集。首先要准备数据，我这里用的是K同学啊的水果数据集。该数据集一共包括两个部分，图片和数据。图片是不同角度下的水果照片，数据集包括水果在图片里的位置，图片大小等信息，格式为xml。数据如下：

        

        有了以上的数据和图片后，我们就可以训练自己的数据集了。参照coco128的数据集，我们得要将xml文件转换成我们需要的文件格式，文件格式如下：

        以第一行为例，第一个数字代表的是目标的序列，后面的数字是目标的位置信息。将xml转换为上图格式的代码如下： 

import os
import xml.etree.ElementTree as ET

if not os.path.exists('./labels'):
    os.makedirs('./labels')


classes = ['pineapple', 'snake fruit', 'dragon fruit']

def convert(size, box):
    dw = 1./size[0]
    dh = 1./size[1]
    x = (box[0] + box[1])/2
    y = (box[2] + box[3])/2
    w = box[1] - box[0]
    h = box[3] - box[2]
    x = x*dw
    y = y*dh
    w = w*dw
    h = h*dh
    return x, y, w, h


def xml_to_yolo(name):
    in_file = open('./annotations/%s.xml' % name, encoding='UTF-8')
    out_file = open('./labels/%s.txt' % name, 'w')
    tree = ET.parse(in_file)
    root = tree.getroot()

    size = root.find('size')
    w = int(size.find('width').text)
    h = int(size.find('height').text)
    for obj in root.iter('object'):
        difficult = obj.find('difficult').text
        cls = obj.find('name').text
        if cls not in classes or int(difficult) == 1:
            continue
        cls_id = classes.index(cls)
        xmlbox = obj.find('bndbox')
        b = (float(xmlbox.find('xmin').text), float(xmlbox.find('xmax').text),
             float(xmlbox.find('ymin').text), float(xmlbox.find('ymax').text))

        b1, b2, b3, b4 = b

        if b2 > w:
            b2 = w
        if b4 > h:
            b4 = h
        b = (b1, b2, b3, b4)
        bb = convert((w, h), b)
        out_file.write(str(cls_id) + " " + " ".join(str(a) for a in bb) + '\n')


for file in os.listdir('./images'):
    name = file.split('.')[0]
    xml_to_yolo(name)

        以上的代码需要根据你的数据集进行调整，完成后我们就得到了labels的数据标注集，参照数据集coco128，我们建立以下的文件：

        先建立shuiguo文件夹，下面有images和labels，再在里面分别创建train文件夹，再将我们图片和数据标注集分别放入train文件夹里。完成以上步骤后就可以开始训练了，这里的yaml文件的内容如下：

path: D:\pythonProject\yolov8\shuiguo  # 数据集源路径root dir
train: images/train2017 # root下的训练集地址 128 images
val: images/train2017 # root下的验证集地址 128 images
test:                # root下的验证集地址 128 images

# 数据集类别信息
nc: 3  # 数据集类别数量
names: ['pineapple', 'snake fruit', 'dragon fruit']  # 数据集类别名

        训练代码如下，训练次数为100：

from ultralytics import YOLO

model = YOLO('yolov8n.pt')  # load a pretrained YOLOv8n detection model
model.train(data='shuiguo.yaml', epochs=100)  # train the model

         训练好后我们就可以在runs/detect/train/weights文件夹中找到我们训练好的模型，一般使用best.pt模型。让我们来看一下结果：

from ultralytics import YOLO
from PIL import Image

model = YOLO('runs/detect/train3/weights/best.pt')

picture = 'images/fruit13.jpg'

results = model(picture)

for i, r in enumerate(results):
    # Plot results image
    im_bgr = r.plot()  # BGR-order numpy array
    im_rgb = Image.fromarray(im_bgr[..., ::-1])  # RGB-order PIL image

    # Show results to screen (in supported environments)
    r.show()

        这里我们就完成了训练自己的模型了。