Docker搭建yolov8并训练、验证、推理化学仪器数据集

一颗洋芋

已于 2024-07-05 16:54:18 修改

阅读量1k

点赞数 24

文章标签： YOLO docker 人工智能

于 2024-06-21 10:11:10 首次发布

本文链接：https://blog.csdn.net/m0_58700887/article/details/139841872

版权

本文通过docker的方式搭建yolov8运行环境，并成功训练了化学仪器数据集，其中训练数据215张，验证数据65张，推理数据10张，类别一共14（此数据集由于纯手工采集，因此数据量小，大家选择的数据集尽量丰富一点）

1、安装docker

在一台有网络的服务器上安装docker，建议参考我之前的文章：Docker基础学习-CSDN博客

2、创建yolov8镜像

首先编写Dockerfile文件（为啥不用yolov8自带的Dockerfile文件，主要是因为试过但报错太多，不好解决，所以换一种风险低的方式），内容如下所示：

# 使用与CUDA 11.2兼容的PyTorch官方镜像作为基础镜像
# 使用nvidia-smi查看服务器CUDA 版本，然后参考PyTorch官方说明来选择合适的镜像，否则会出错！
FROM pytorch/pytorch:1.13.1-cuda11.6-cudnn8-runtime

# 所需要的包
RUN pip install scipy -i https://mirrors.aliyun.com/pypi/simple
RUN pip install numpy -i https://mirrors.aliyun.com/pypi/simple
RUN pip install matplotlib -i https://mirrors.aliyun.com/pypi/simple
RUN pip install tqdm -i https://mirrors.aliyun.com/pypi/simple
RUN pip install PyYAML -i https://mirrors.aliyun.com/pypi/simple
RUN pip install Pillow -i https://mirrors.aliyun.com/pypi/simple
RUN pip install opencv_python -i https://mirrors.aliyun.com/pypi/simple
RUN pip install tensorboard -i https://mirrors.aliyun.com/pypi/simple
RUN pip install h5py -i https://mirrors.aliyun.com/pypi/simple
RUN pip install Seaborn -i https://mirrors.aliyun.com/pypi/simple
RUN pip install ultralytics -i https://mirrors.aliyun.com/pypi/simple
RUN pip install yolo -i https://mirrors.aliyun.com/pypi/simple

然后依次运行以下脚本：

[root@hcs my_docker]# pwd
/data/ai/my_docker

[root@hcs my_docker]# ls
Dockerfile

[root@hcs my_docker]#  docker build -t yolov8 .

出现了successful时说明镜像创建成功。

3、下载代码包

下载地址：https://github.com/ultralytics/ultralytics

4、下载模型预训练权重

我选择了yolov8n的预训练权重，地址：https://github.com/ultralytics/assets/releases/download/v0.0.0/yolov8n.pt

然后将下载好的yolov8n.pt放在ultralytics-main代码包文件夹下，如下所示：

5、制作数据集

拍摄化学仪器照片，并对图片进行剪裁、旋转、降噪等操作，增加样本数量。图片保存的位置很有讲究，将采集的图片数据集放在ultralytics-main文件夹的datasets下面的images文件夹，分为train和val，都要放入图片。如下所示（命名一致）：

然后使用LabelImg工具进行数据标注，打开cmd或者conda虚拟环境下安装：

C:\Users\coke> pip install labelimg -i https://pypi.tuna.tsinghua.edu.cn/simple

等待下载安装成功之后，继续输入以下代码打开labelimg。

C:\Users\coke> labelimg

上传的文件夹就是刚刚/data/ai/ultralytics-main/datasets/chemical/images/train文件夹，保存就是

/data/ai/ultralytics-main/datasets/chemical/labels/train文件夹，一一对应，验证集也是如此。其中Create RectBox就是标记识别方框，然后对每张图片标记得到相应的标签文本，如下图所示。

最后编写chemical.yaml文件，注意path路径写绝对路径，names代表分类，我的数据集分为两类，因此就是0：类别1,1：类别2，2：类别3....以此类推。

# Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..]
path: /data/ai/ultralytics-main/datasets/chemical # dataset root dir
train: images/train # train images (relative to 'path') 128 images
val: images/val # val images (relative to 'path') 128 images
test: # test images (optional)

nc: 14
names:
  ['烧杯',
   '三角烧瓶',
   '三角漏斗',
   '试管',
   '分液漏斗',
   '蒸发皿',
   '量筒',
   '酒精灯',
   '托盘天平',
   '坩埚',
   '胶头滴管',
   '玻璃棒',
   '滴瓶',
   '冷凝管'
  ]

至此，数据集准备结束，如下所示：

6、训练、验证及推理

（1）训练

进入容器，其中端口映射可以改成你服务器空闲端口号，/data/ai/ultralytics-main换成你ultralytics-main文件夹地址,yolov8换成你容器名称。

[root@hcs ~]# docker run --gpus all --ipc=host -p 8888:8888 -v /data/ai/ultralytics-main:/data/ai/ultralytics-main -it yolov8 /bin/bash

在ultralytics-main文件夹下，按理说运行终端命令yolo detect train data=datasets/chemical/chemical.yaml model=yolov8n.yaml pretrained=./yolov8n.pt epochs=100 batch=4 lr0=0.01 resume=True就能成功运行，但是提示yolo没有detect命令等相关错误，因此查询yolo官网，我换成以python脚本的形式来进行训练。

在ultralytics-main文件夹下新建train.py，代码如下：

from ultralytics import YOLO

# Load a model
model = YOLO('yolov8n.yaml')  # load a pretrained model (recommended for training)
model.load('yolov8n.pt')
# Train the model
model.train(
    data='datasets/chemical/chemical.yaml',
    epochs=50,   # 根据数据量调整
    batch=4,   # 根据实际调整
    workers=2,
    device=0,
    imgsz=(640,640),
    lr0=0.01,
    resume=True,
    )

wq保存退出后，运行python train.py，出现下面的界面就表示运行成功：

最后结果会保存在runs/detect/train文件夹下（因训练的次数而异）。

至此，通过docker容器使用yolov8训练自己的数据集就完成啦~

（2）验证

验证脚本val.py，代码如下：

from ultralytics import YOLO

if __name__ == "__main__":
    # 加载刚刚训练好的模型地址（注意路径！）
    model = YOLO('runs/detect/train6/weights/best.pt') 
    # Validate the model
    metrics = model.val(
        val = True,
        data = 'datasets/chemical/chemical.yaml',
        split = 'val',
        batch = 4,
        imgsz = (640,640),
        workers = 2,
        device = 0
            )  # no arguments needed, dataset and settings remembered
    print(f"mAP50-95: {metrics.box.map}") # map50-95
    print(f"mAP50: {metrics.box.map50}")  # map50
    print(f"mAP75: {metrics.box.map75}")  # map75

然后再python val.py即可成功！结果在runs/detect/val2文件夹下（因实际情况而异）。

（3）推理

推理脚本detect.py，代码如下：

from ultralytics import YOLO

if __name__ == "__main__":
    # 加载刚刚训练好的模型地址，注意路径！
    model = YOLO("runs/detect/train6/weights/best.pt")  

    # Predict with the model
    results = model(
        source = "/data/ai/ultralytics-main/datasets/chemical/pre_img",
        save=True,
        imgsz=640,
        conf=0.5)  # 用于检测的目标置信度阈值（默认为0.25，用于预测，0.001用于验证

然后再python detect.py即可成功！