【yolov8自带脚本划分数据集】yolov8自己数据集训练

1. 命令

ultralytics.data.utils.autosplit(path=DATASETS_DIR / 'coco8/images', weights=(0.9, 0.1, 0.0), annotated_only=False)

from ultralytics.data.utils import autosplit

autosplit( 
    path="path/to/images",
    weights=(0.9, 0.1, 0.0), # (train, validation, test) fractional splits
    annotated_only=False     # split only images with annotation file when True
)

2.参数

名称	类型	说明	默认值
path	Path	图像目录路径。默认为 DATASETS_DIR / ‘coco8/images’。	DATASETS_DIR / ‘coco8/images’
weights	list \tuple	训练、验证和测试分割分数。默认为	（0.9, 0.1, 0.0）。 (0.9, 0.1, 0.0)
annotated_only	bool	如果为 True，则只使用带有相关 txt 文件的图像。默认为 “假”。	False

3.示例

3.1.示例

只需要1秒就可以划分好4万张图像的数据集。

3.2.划分结果：

自动将数据集拆分为训练/评估/测试拆分，并将生成的拆分结果保存到 autosplit_*.txt 文件中。

4.训练模型——data.yaml

4.1.data.yaml

修改 path 为数据存储路径
修改 names 为对应的标签名

但是这里还是建议使用绝对路径。不然容易报错。

4.2.安装相关库。

可以直接在一个新建的conda环境中，安装yolov8的库。

pip install ultralytics

之后就可以训练模型了。

4.3.训练示例

在图像大小为 640 的 COCO128 数据集上对YOLOv8n 进行 100 次训练。可以使用 device 参数。如果没有传递参数，GPU device=0 将被使用，否则 device=cpu 将被使用。有关训练参数的完整列表，请参阅yolov8官方的 "参数 "部分。

• python命令

from ultralytics import YOLO

# Load a model
model = YOLO('yolov8n.yaml')  # build a new model from YAML
model = YOLO('yolov8n.pt')  # load a pretrained model (recommended for training)
model = YOLO('yolov8n.yaml').load('yolov8n.pt')  # build from YAML and transfer weights

# Train the model
results = model.train(data='coco128.yaml', epochs=100, imgsz=640)

• CLI命令

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