yolov8训练目标检测模型

1.环境安装

1. conda安装（miniconda），配置环境变量
   
2. 创建环境

	conda create -n yolo python==3.8

3. 安装ultralytics

   conda activate yolo
   pip install ultralytics

2.数据集标注

1. 使用labelimg标注工具对图片进行标注：
2. 将标注产生的xml转为txt文件
   txt格式：

类别索引
0 0.3107142857142857 0.184981684981685 0.05285714285714286 0.19047619047619047

4. 将原始图片和转换后的txt放到同一个文件夹下（这里没有区分train，val和test）
   

3.训练

1. 准备yml文件：

# 项目中数据集的目录
path: C:\Users\lhq\Desktop\traffic_check\data\dataset
# 训练、验证、测试的文件夹地址
train: train  
val: train  
test: train 
# 标注中有多少类就填多少，（索引应与转换为txt的顺序一致）
names:
  0: 亮

2. 训练代码：

from ultralytics import YOLO

model = YOLO('yolov8n.pt') 
results = model.train(data='traffic.yaml', epochs=100, imgsz=640, device='cpu')

3. 训练结果
   
   使用训练好的模型文件对图片进行检测：

   from ultralytics import YOLO
   import cv2
   
   model = YOLO('best.pt')  #训练产生的模型文件
   
   results = model('demo.jpg') # 要检测的图片
   
   image = results[0].plot()
   
   cv2.imwrite(filename = "result.jpeg", img = image )
   

4.pt转onnx

from ultralytics import YOLO

model = YOLO('best.pt')
model.export(format = "onnx")

5.使用onnx进行检测

…