yolov8和torch训练模型

1.下载安装yolov8

1. 在github中下载yolov8的文档（ultralytics/ultralytics: NEW - YOLOv8 🚀 in PyTorch > ONNX > OpenVINO > CoreML > TFLite (github.com)），并将其解压到自己想要的地方。
2. 通过conda终端进行虚拟环境搭建：conda create -n name pythpn=x.x（例如：conda create -n hello python=3.10）
3. 在VSCODE中选择建立好的虚拟环境，在VSCODE终端（即虚拟环境下）输入：pip Install -e . 对yolo进行安装。/或者在conda的终端激活 hello 虚拟虚拟环境，在输入pip Install -e .

2.下载安装pytorch

2.1下载安装CPU版本

PyTorch

CPU版本先进入到上面所创建的虚拟环境中，然后直接通过pip进行安装即可

2.2下载安装GPU版本

2.2.1 安装cuda

根据自己电脑GPU，安装对应的cuda和cudnn版本

使用命令行输入 nvidia-smi ，可以看到我的为11.7（具体可见：CUDA学习（一）——如何查看自己CUDA版本？_cuda version-CSDN博客）

CUDA Toolkit Archive | NVIDIA Developer  通过上述网站找到属于自己的版本号，例如：cuda11.7。下载好后直接进行安装。

2.2.2 安装cudnn

https://developer.nvidia.com/rdp/cudnn-archive

扎到cuda11.7对应版本的cudnn，进行下载，下载完成后将其解压并将里面的内容复制放置到v11.7的路径下面（即之前cuda安装路径）。

2.2.3 安装torch-gpu

PyTorch

也是先进入自己所创建的虚拟环境中，在通过pip安装

下方可以安装以前的版本的torch，我这里是11.7，python版本为3.9

pip install torch==1.13.1+cu117 torchvision==0.14.1+cu117 torchaudio==0.13.1 --extra-index-url https://download.pytorch.org/whl/cu117  通过上述命令安装

2.2.4测试torch是否安装成功

import torch

# 检查torch是否有CUDA支持，即是否能用GPU

print(torch.cuda.is_available())

# 如果CUDA可用，它还会打印出当前默认的CUDA设备（通常是第一个GPU）

if torch.cuda.is_available():

    print(torch.cuda.get_device_name(0))

print(torch.version.cuda)



device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")

print(device)

若出现以上信息，出现自己的显卡信息，则安装成功。

3.下载安装标注工具labelImg

pip install labelimg （注意这里python版本不能过大，最要<=3.9）

通过终端输入 labelimg 启动标注工具，并切换到yolo数据集格式

选择好你要保存的labels路径（最好新建一个文件夹，这里我新建的为Annotation），并选择自动保存功能

标记图片后会自动生成每张图片对应的labels信息，为txt文件。

4.编辑yolov8训练集格式

在上次解压的yolov8文档下面新建一个datasets的文件夹，在datasets文件夹下建立images和labels文件夹

在images文件夹下建立train和val文件夹，放置图片，train为训练集，val为验证集。

在labels文件夹下建立train和val文件夹，放置图片所对应的labels信息。将之前标注好的文件拉过来即可，但是注意这里进行了分类，所以需要手动调整。cache文件是自动生成的，无需自己操作。

5.配置yaml文件

先在虚拟环境下的终端 输入 yolo copy-cfg ，将yaml文件复制一份到根目录下（ultralytics-main），此时会出现一个yaml文件，点开进行以下格式配置。

（注：这里我将复制出来的yaml文件名称改为了yolov8_classroom）

path：数据集的路径，即images和labels的目录

names：标签名字，即标注时自己选择的名字，可以有多个。

6.模型训练

from ultralytics import YOLO



# 加载模型

model = YOLO("yolov8n.pt")  # initialize model



# 训练模型

model.train(data="./yolov8_classroom.yaml",workers=0,epochs=100,batch=4,device=[0],amp=False)

yolov8n.pt：自己选择yolo的模型，默认为自动下载，也可通过网站手动下载（其他模型请看：ultralytics/ultralytics: NEW - YOLOv8 🚀 in PyTorch > ONNX > OpenVINO > CoreML > TFLite (github.com) ）

data：选择自己配置好的yaml文件；

workers：windows系统需要选择为0，否则会报错。

epochs：数据集训练轮次，例如：100，则为所有数据集训练一百轮，每一轮可以有很多次，而次数则由batch决定。

batch：每次训练数据个数，例如：4，每次训练4张图片，若数据集有100张图片，则每一轮需要训练25次。

device=[0]：选择自己的GPU训练，若为CPU，则将该项删除即可。

amp=False：训练时有些数据可能不会显示，会出现nan，设置好amp=False便可以解决。

具体其他参数可看：YOLOv8训练参数详解（全面详细、重点突出、大白话阐述小白也能看懂）-CSDN博客

点击运行，它会先下载所需要的模型：yolov8n，或者你手动下载。

训练结束后会见所有的数据储存到run的文件夹下面，weights为训练好后的模型，若想要继续训练，则可以选取best或者last替换掉之前的yolov8n模型，则可继续训练。（最好将想要训练的best或者last文件复制到根目录下，即之前yolov8n的同路径）