YOLOv8训练自己数据集

目的

目的是要有滴，写这篇博客的目的是为了记录炼丹过程，把这些过程中使用模型、使用方法、以及遇到的错误进行记录，到后续使用或者改进时有一个更好的指引。同时，也分享给需要这篇博客的友友们。博主能力有限，还请轻喷！！！！！！！！！！！！

一、环境配置

源代码文件夹中会有requirements.txt文件，里面包含了运行YOLOv8的最低环境配置。此处加了pip清华源镜像，能提高下载速度！！！！！！！！不需要的可以把-i和后面的删掉。

pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

先这样安装吧，出问题再说。

例外还要安装ultralytics ，运行YOLOv8代码需要这个依赖包里面（虽然不知道为什么本地有源代码了还要通过pip安装，总之先装了就是了），可通过以下命令安装：

pip install ultralytics -i https://pypi.tuna.tsinghua.edu.cn/simple

其实，torch可以单独装，因为通过pip安装真的太慢了，这次就不写torch的安装了，有需要的话可私，然后可以写一写。。 

二、代码下载及验证

下载官方YOLOv8源码

下载作者使用的YOLOv8源码

三、数据集制作

YOLOv8采用YOLO格式的数据集，如果使用Labelimg标注的格式就是YOLO格式的可以不看本节。如果不是YOLO格式的话可以参照一下步骤进行转换（转换软件可私，功能还不完善，后期会更新）：

1、打开格式转换器

1、选择模式，根据当前数据集格式和转换成需要的数据集格式选择当前模式。

2、填写类别；其中txt2xml、txt2json等模式转换时需要按照txt中的类别顺序填写类别栏，同时使用英文的分号（;）进行分割。

3、图片地址；选择与标签名字对应的图片的文件路径，数量与标签文件数量一致

4、标签地址；选择与图片名字对应的标签路径，注意，json转其他模式时标签地址为json的文件路径。

5、保存地址；尽量选择空文件夹作为保存路径，在该目录下会生成images和lables文件夹，其中images中存放格式转换后的图片文件，注意，这里只是将图片按存在的标签文件进行了复制，并没有对图片进行任何操作；labels中存放转换后的标注文件信息。

6、点击开始转换，并等待。这里若出现错误，可在评论区提出或撕信解决！！！！！

7、结果展示！

2、数据集划分

第一种情况：上一步前数据集没有划分过，即图片和标签都分别在一个文件夹中，如下图：

在images下训练的图片，没有划分train和val，在labels也是如此，注意，images和lables中的文件数量和名字要匹配。

此时，经过第一步的转换后需要使用下面代码进行数据集划分：

import os
import random
import shutil
from tqdm import tqdm

def split_datasets(img_path, label_path, save_path, ratio, is_shuffle):
    assert sum(ratio)==1,"训练集、验证集、测试集的比例总和应该为1"
    assert img_path and label_path and save_path,"路径不能为空，请检查路径！"
    assert len(img_path) and len(label_path),"数据集中图片或标签为空！"
    label_set=[i.split(".")[0] for i in os.listdir(label_path)]
    img_set={i.split(".")[0]:i for i in os.listdir(img_path) if i.split(".")[0] in label_set}
    random.shuffle(label_set) if is_shuffle else None
    set_name=["train","val","test"] if ratio[-1] else ["train","val"]
    for folder in ["images","labels"]:
        for name in set_name:
            path="/".join([save_path,folder,name])
            if not os.path.exists(path):
                os.makedirs(path)
            else:
                shutil.rmtree(path)
                os.makedirs(path)
    num_sample=len(label_set)
    img_num=0
    for i,mode in enumerate(set_name):
        chocie_num = int(ratio[i]*num_sample)
        sample = random.sample(label_set,chocie_num)
        bar=tqdm(sample,f"正在处理{mode}文件数据...",total=chocie_num)
        for j,k in enumerate(bar):
            shutil.copy(os.path.join(img_path,img_set[k]),"/".join([save_path,"images",mode,img_set[k]]))
            shutil.copy(os.path.join(label_path,k+".txt"),"/".join([save_path,"labels",mode,k+".txt"]))
            label_set.remove(k)
            bar.update(1)
            pass
        img_num+=chocie_num
        pass  
    print(f"处理完成！一共{img_num}张图片和标注文件")  
    pass

if __name__=="__main__":
    img_path="D:\yiwu\labels\images/train/"
    label_path="D:\yiwu\labels\labels//train/"
    save_path="D:\yiwu\labels\save/"
    ratio = [0.8, 0.1, 0.1] # train,val,test
    is_shuffle=True
    split_datasets(img_path, label_path, save_path, ratio,is_shuffle)
    pass

 代码说明：上述代码功能仅仅是划分yolo格式的数据集。其中img_path，label_path，save_path后面需要加上斜杠，is_shuffle的值用于规定是否将数据集打乱，运行上述代码会在save_path下产生两个文件夹，分别是images和labels，每个文件夹下面会产生train，val，test（可选）三个文件夹，并且存放了划分好的图片和标注文件。

第二种情况：在使用格式转换器前已经划分好数据集，只需多次执行格式转换即可

四、开始训练

 第一步：

images和labels中存放上一步划分好的train，val，test（可选）三个文件夹。

第二步 

 在yolov8目录下新建mydata.yaml（名字可变），输入与数据集相关的信息：

path: data # datasets里的data（和上面自定义的名字要一样）文件夹
train: images/train #data目录下的images文件夹
val: images/val
# test: images/test 可选
# number of classes
nc: 3 #修改类别数，和namse大小一致
# class names
names: #按照自己类别按转换顺序更改
  0: person
  1: car
  2: stone

在yolov8目录下新建mytrain.py（名字可变），输入以下内容：

from ultralytics import YOLO

if __name__ == '__main__':
    model = YOLO("ultralytics/models/v8/yolov8.yaml")
    model.train(data="mydata.yaml", workers=0, epochs=5, batch=2)

这里需要注意，如果data参数不是和mytrain.py在同一目录下的话需要修改为相对路径，后面的workers、epochs、batch等参数按电脑配置更改。 如需更改更多的配置参数可以在目录：ultralytics\yolo\cfg\default.yaml中进行修改，右键运行即可开始训练。

以上就是训练的过程 

五、验证和预测展示

 1、验证

修改mytrain.py中代码为

from ultralytics import YOLO

if __name__ == '__main__':
    model = YOLO("runs\detect/train3/weights/best.pt")#修改为训练后产生的权重文件路径
    # model.train(data="mydata.yaml", workers=0, epochs=5, batch=2)
    model.val(data="mydata.yaml",workers=0, batch=2)

右键运行即可，本文截图仅作为流程参考，不代表v8的检测能力。

2、预测过程 

 修改mytrain.py中代码为

from ultralytics import YOLO

if __name__ == '__main__':
    model = YOLO("runs\detect/train3/weights/best.pt")
    # model.train(data="yw.yaml", workers=0, epochs=5, batch=2)
    # model.val(data="yw.yaml",workers=0, batch=2)
    model.predict(data="path/to/your/img")

注意，预测时data参数可以是一张图片、一个文件夹等，详细可查看https://docs.ultralytics.com/zh/modes/predict/#inference-sources