YOLOv8 目标检测项目实操

一 yolov8 背景介绍

YOLOv8是一种尖端的、最先进的(SOTA)模型，建立在以前 YOLO 版本的成功基础上，并引入了新的特性和改进，以进一步提高性能和灵活性。YOLOv8被设计为快速、准确、易于使用，这使它成为一个很好的选择，用于范围广泛的目标检测和跟踪、实例分割、图像分类和姿势估计任务。

一个不错的参考：yolov8官方代码训练模型

github yolov8 官网地址 地址：

GitHub - ultralytics/ultralytics: NEW - YOLOv8 🚀 in PyTorch > ONNX > OpenVINO > CoreML > TFLite

 预训练模型在 coco 数据集的执行效果：

1.1 环境安装

pip install ultralytics

1.2 安装cuda

使用的是重新配置的一套环境，使用最新版的cuda 本机执行没有成功，使用11.8可以

pip install torch==2.1.1 torchvision==0.16.1 torchaudio==2.1.1 --index-url https://download.pytorch.org/whl/cu118

二 数据集

本项目场景比较通用，使用的网上的公共数据集，下载网站：

Roboflow Universe: Open Source Computer Vision Community

这里选择数据集下载格式：

三 执行训练 

3.1 先把代码拉到本地

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

3.2 使用demo文件做测试

from ultralytics import YOLO

# Load a model
model = YOLO('yolov8n.yaml')  # build a new model from YAML
model = YOLO('yolov8n.pt')  # load a pretrained model (recommended for training)
model = YOLO('yolov8n.yaml').load('yolov8n.pt')  # build from YAML and transfer weights

# Train the model
results = model.train(data='coco128.yaml', epochs=100, imgsz=640)

3.3 wandb 显示bug

这个报错显示了你正在使用的代码试图使用 Wandb（Weights & Biases），但是没有配置正确的 API 密钥。

要解决这个问题，你需要提供正确的 Wandb API 密钥。你可以按照之前的建议在代码中调用 wandb.login(key="your_api_key") 方法来配置 API 密钥。确保将 "your_api_key" 替换为你自己生成的 API 密钥。

3.3.1 解决方法

命令行执行：

wandb offline

方法二，没测试不知道是否可行：

import wandb
wandb.disabled = True

3.4 调整配置参数

注意 线程的数据 设置不能是8，默认设为0，设为8给我卡住了。

3.5 下载预训练模型

根据需要和场景下载适合的预训练模型：

3.6 开始训练

from ultralytics import YOLO
import multiprocessing

# Load a model
model = YOLO('yolov8m.yaml')  # build a new model from YAML
model = YOLO('./yolov8m.pt')  # load a pretrained model (recommended for training)
model = YOLO('yolov8m.yaml').load('./yolov8m.pt')  # build from YAML and transfer weights

# results = model.train(data='./data.yaml', epochs=10, imgsz=640)

if __name__ == '__main__':
    multiprocessing.freeze_support()

    # 这里放置你的主程序代码
    # 例如，调用 model.train() 函数
    results = model.train(data='./data.yaml', epochs=500, imgsz=640)

四 重新训练

4.1 数据集重新整理

之前的训练数据 使用了500+张图，图像基本为 640*640，迭代次数为500次， 使用实际模型进行预测效果不佳，重新训练。

在 Roboflow 合并了多个同类型数据集，图片数据量 达到 4000+。 

4.2 调整参数重新训练

使用最新的数据集执行训练，调整 训练图片尺寸 [1280, 720]， 调整线程同步数量为2后执行速度快了一倍，每个epoch的时长有4分钟降低为了2分钟。

如果想改目标检测的类名，直接改yaml的文件的类别就可以 直接改类名，标注文件使用的是0,1,2这种index, 所以直接改数据集的yaml文件即可：

五 报错

5.1 wandb 报错

pip install --upgrade wandb

5.2 protobuf 版本问题

protobuf 5.26.1

 六 结果 (使用本项目数据集自己标注后训练)

把所有图片使用检测框标注，然后做训练，最后使用模型进行预测，然后对检测框做过滤，去掉不相干的，效果贼好，标了100多张吧。