yolov8训练和预测

-快乐的程序员-

已于 2024-09-25 09:05:32 修改

阅读量1.3k

点赞数 16

分类专栏：机器学习文章标签： YOLO

于 2024-09-25 09:01:46 首次发布

本文链接：https://blog.csdn.net/canlynetsky/article/details/142511540

版权

机器学习专栏收录该内容

1 篇文章

订阅专栏

介绍

Ultralytics YOLOv8 是一种前沿、最先进 (SOTA) 的模型，它在之前的 YOLO 版本的成功基础上引入了新功能和改进，以提高性能和灵活性。YOLOv8 旨在快速、准确、易于使用，是广泛应用于目标检测和跟踪、实例分割、图像分类和姿态估计等任务的优秀选择。

与之前的 YOLOv5 不同的是，YOLOv8 是在一个名为 Ultralytics 项目下，该项目将该团队之前制作的 YOLOv3、YOLOv5 整合到了一起，并添加了 YOLOv8。初次之外，Ultralytics 更是整合了 YOLOv6、YOLOv9、YOLOv8-World、百度的 RT-DETR。

原文链接：https://blog.csdn.net/weixin_44878336/article/details/138316279

安装

yolov8可以通过多种方式安装，比如通过pip直接安装：
pip install ultralytics -i https://pypi.tuna.tsinghua.edu.cn/simple
也可以使用docker安装：

推理

使用命令行：
yolo predict model=yolov8n.pt source=bus.jpg
这里忽略了很多参数，其中比较重要的两个参数是imgsz和device，补充后如下所示：
yolo predict model=yolov8n.pt source=bus.jpg imgsz=640 device=0
其中imgsz代表图片无论是多大，都会将长宽缩放到640，其中长边缩放至640，短边按比例缩放（小于640）。
device代表使用GPU设备，0代表使用第一个GPU。
model参数很重要，它用于指定使用哪个模型，yolov8n.pt只是yolov8项目里训练好的模型中最小的那个（参数少，识别速度快，准确率相对最低）。除此之外，还支持如下模型：

yolov8n: 适用于CPU的小型模型，适用于快速检测。
yolov8s: 中等大小的模型，适合中级资源的系统。
yolov8m: 大型模型，适合中高级资源的系统。
yolov8l: 超大型模型，适合高级资源的系统。
yolov8x: 极大型模型，适合最高资源的系统。
使用上述模型时，第一次预测会自动下载该模型（可能很慢，要翻墙）。如果使用其他模型名，请确保当前目录下存在该模型（训练的模型）。
根据系统配置，可选用合适的模型。
使用Python：
参考：https://docs.ultralytics.com/modes/predict/#key-features-of-predict-mode

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n.pt")  # pretrained YOLOv8n model

# Run batched inference on a list of images
results = model(["image1.jpg", "image2.jpg"])  # return a list of Results objects

# Process results list
for result in results:
    boxes = result.boxes  # Boxes object for bounding box outputs
    masks = result.masks  # Masks object for segmentation masks 
    keypoints = result.keypoints  # Keypoints object for pose outputs
    probs = result.probs  # Probs object for classification outputs
    obb = result.obb  # Oriented boxes object for OBB outputs
    result.show()  # display to screen
    result.save(filename="result.jpg")  # save to disk

标注图片

标注图片建议使用label_studio，此工具使用pip安装，命令行启动，浏览器访问，针对创建的某个数据集，可随时追加新图片，标注部分时也可以随时导出用于训练。
安装参考：https://labelstud.io/guide/install.html#Install-using-pip
一条命令搞定：pip install label-studio
运行：label-studio
使用方法请自行搜索。可参考：https://zhuanlan.zhihu.com/p/705893073

准备数据集

标注好图片后，需要根据yolo所需训练集格式，准备数据集。
可在label-studio中导出yolo格式，然后解压下载的目录后，将其整理为COCO8 Dataset的格式，COCO8数据集下载地址：https://github.com/ultralytics/assets/releases/download/v0.0.0/coco8.zip

训练

使用命令行，参考https://docs.ultralytics.com/usage/cli/：
yolo detect train data=coco8.yaml model=yolov8n.pt epochs=100 imgsz=640 device=0 batch=16
参数和预测时雷同。其中比较重要的是，如果训练集不大（比如几十张图片），就一定要指定model=yolov8n.pt，否则训练后的模型无法识别任何物体。另外，根据使用硬件设备GPU的显存情况，设置合适的imgsz很重要，数据集图片如果是2000像素以内的，imgsz=2000时，需要更大的显存的支持，此时可以配合参数batch设置小一些，以减小对GPU显存的需求。
训练完成后，可使用命令行推理图片验证训练结果。
使用Python：

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n.pt")  # load a pretrained model (recommended for training)

# Train the model with 2 GPUs
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=[0, 1])