yolov8自制数据训练集

目录

1.YOLOv8是啥

2.系统环境

3.安装labelimg

3.1安装

3.2启动 labelimg

4.自制分类图片

4.1 YOLO数据集要求

4.2 图片保存目录

4.3 利用labelimg进行标注

4.4 存储图片

4.5 标注文件

5.数据集训练

5.1yaml文件

5.2训练命令

5.3查看训练过程

5.3.1启动tensorboard

5.3.2通过浏览器查看

6.测试训练结果

6.1测试命令

6.2测试输出

6.3查看效果图

---

1.YOLOv8是啥

文心一言给出的答案：

YOLOv8是YOLO系列模型的最新版本，由Ultralytics公司在2023年1月10日开源。它是基于YOLOv5的下一个重大更新版本，目前支持图像分类、物体检测和实例分割任务。

YOLOv8采用了一种基于Anchor-Free的检测方式，即直接预测目标的中心点和宽高比例，而不是预测Anchor框的位置和大小。这种方式可以减少Anchor框的数量，提高检测速度和精度。其原理可以分为两个部分：特征提取和目标检测。特征提取部分采用了一种名为CSPDarknet的网络结构，它是一种基于Darknet的改进版本，可以有效地减少模型的参数量和计算量，同时提高特征提取的效率。目标检测部分采用了一种名为YOLOv4-Head的检测头结构，该结构包含了多个卷积层和池化层，用于对特征图进行处理和压缩，然后通过多个卷积层和全连接层，将特征图转换为目标检测结果。

此外，YOLOv8还引入了一个新的骨干网络、一个新的Anchor-Free检测头和一个新的损失函数，以进一步提升性能和灵活性。它可以在从CPU到GPU的各种硬件平台上运行，并且Ultralytics公司希望这个库不仅仅能够用于YOLO系列模型，还能支持非YOLO模型以及分类、分割、姿态估计等各类任务。

总之，YOLOv8是一种基于Anchor-Free检测方式的目标检测模型，具有更高的检测精度和更快的检测速度，并且提供了更多的新功能和改进，以提升性能和灵活性。

2.系统环境

系统环境：win10

使用Anaconda，Anaconda的安装自行百度。

conda 23.7.4

YOLOv8

参考之前的环境配置

3.安装labelimg

3.1安装

使用之前安装好的Anaconda，启动Anaconda Prompt，创建一个labelimg的python虚拟环境。

命令如下：

conda create -n labelimg python=3.8

查看命令

# 激活labelimg虚拟环境
conda activate labelimg
# 安装tensorboard
pip install labelimg

3.2启动 labelimg

输入 labelimg 启动编辑器

labelimg运行界面

4.自制分类图片

通过利用百度、bing等图片搜索引擎，搜索相关图片，在利用微信快捷键保存图片。

4.1 YOLO数据集要求

搜索YOLO官方推荐数据集要求

4.2 图片保存目录

图片保存至images文件夹下，最好多建几个分类，一个分类训练效果不理想。我建立了tank、
aircraft carrier、cruiser、fighter plane、helicopter五个分类。

4.3 利用labelimg进行标注

利用labelimg标注过程，或如何使用，自行百度。

4.4 存储图片

先将标注的yolov label文件与img文件保存在同一个目录下，便于后期更改和维护，切记。

如下图所示：

4.5 标注文件

将所有*.txt文件拷贝至labels目录下，labels与images在同文件目录下。

5.数据集训练

5.1yaml文件

训练文件配置，保存为data.yaml

path: ../../../data/tank/
train: ./train/images
val: ./valid/images
names:
  0: tank 
  1: aircraft carrier
  2: cruiser
  3: fighter plane
  4: helicopter

nc: 5

5.2训练命令

# 训练数据集指令 
python train.py --batch-size 2 --epochs 200 --data ../../../data/tank/data.yaml --weights ./yolov5s.pt

训练过程效果图1

训练过程效果图2

5.3查看训练过程

通过tensorboard查看训练过程

5.3.1启动tensorboard

tensorboard --logdir=runs\train\exp19

5.3.2通过浏览器查看

在浏览器内输入http://localhost:6006/

如下图所示

6.测试训练结果

6.1测试命令

# 测试数据集命令 
python .\detect.py --source C:/code/data/tank/test --weights ./runs/train/exp19/weights/best.pt

6.2测试输出

6.3查看效果图

结果保存在 runs\detect\exp19目录下

效果图1

效果图2

 效果图3