yolov8从下载到应用，查看训练是否到最佳结果（自学ing）

m0_67592509

已于 2024-01-29 09:16:13 修改

阅读量1.7k

点赞数 28

文章标签： YOLO

于 2023-12-15 16:55:33 首次发布

本文链接：https://blog.csdn.net/m0_67592509/article/details/134944918

版权

自学中，此篇文章仅供参考，若不正确请指明，谢谢

获取

1.从git取得yolo源码

链接如下

git clone https://github.com/ultralytics/ultralytics

2.下载yolov8对应的安装库

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

训练数据集

1.创建文件

创建格式（detect，seg）

test

images train

data

labels tarin

test

Classify

train ---类别名--images

data

test ----类别名--images

2.进行训练

1.这个是在原有pt的模型基础上，进行训练

yolo detect train data=coco128.yaml model=yolov8n.pt epochs=100 imgsz=640

2.只用自己的进行训练

yolo detect train data=coco128.yaml model=yolov8n.yaml epochs=100 imgsz=640

3.进行预测

yolo detect predict model=path/to/best.pt source='https://ultralytics.com/images/bus.jpg'  # predict with custom model

5.若用engine模型，pt转engine模型

yolo export model=path/to/best.pt format=onnx  # export custom trained model

参数设置

在训练和预测过程中都可应用参数，让配置更加准确

1.train（常用参数）

model:  # 设置模型。格式因任务类型而异。是从头开始训练.yaml还是迁移学习.pt
data:  # 设置数据，支持多数类型 一办事yaml类型的数据
epochs:   # 可设置适合自己的轮数
patience: # 设置多少次没有一个好的结果就会停止训练
imgsz:   # 图像数据的大小
device:  # 设备的选择 cuda device=0 or device=0,1,2,3 or device=cpu
workers: 8  # 每个进程使用的cpu的工作环境数
project: project name
pretrained: False  # 是否使用预训练模型，如果有之前的模型，可以使用之前的模型继续进行训练
verbose: True  # whether to print verbose output
single_cls: False  # 将多类数据作为单类进行训练
image_weights: False  # 使用加权图像选择进行训练马赛克增强
close_mosaic: 10  # 最后几个周期禁用
resume: False  # 从上一个检查点开始恢复培训

2.预测参数

source:  # 进行测试饿数据源
show: False  # 查看预测图片
save_txt: False  # 是否在输出结果中打印txt信息
save_conf: False  # 是否在输出结果中打印置信度
save_crop: False  # 保存偏短图像的结果
hide_labels: False  # 隐藏坐标
hide_conf: False  #是否隐藏置信度
vid_stride: 1  # 输入视频帧率步长
line_thickness: 3  # bounding box thickness (pixels)
visualize: False  # 可视化模型特征
augment: False  # apply image augmentation to prediction sources
agnostic_nms: False  #不同种类的抑制
retina_masks: False  #分割:高分辨率掩模
boxes: True # Show boxes in segmentation predictions