手把手教你YOLOV8/YOLOV9训练自己的数据集、测试，新手小白都能上手

persist_ence

已于 2024-03-29 11:36:09 修改

阅读量1.5k

点赞数 27

分类专栏：深度学习 pytorch 目标检测文章标签： YOLO python 深度学习 AI编程目标检测计算机视觉 pytorch

于 2024-03-28 17:26:01 首次发布

本文链接：https://blog.csdn.net/persist_ence/article/details/137115078

版权

深度学习同时被 3 个专栏收录

3 篇文章 0 订阅

订阅专栏

pytorch

2 篇文章 0 订阅

订阅专栏

目标检测

1 篇文章 0 订阅

订阅专栏

做目标检测都绕不开的一个模型，那就是YOLO系列，截止2024年3月，目前已经出了YOLOV9，但是最新的v9是个人做的，而V8是由公司做的，因此，还是推荐大家用V8，而且V8后续也会不断地更新和维护，因此本文拿V8做示范，如果需要用V9的都是一样的流程。

1，首先来到yolov8的官网:

https://docs.ultralytics.com/

2，点击Get Started，跳转到YOLOV8的安装界面

在这里插入图片描述
然后就可以看到相应的使用教程。

3，创建一个虚拟环境

如果虚拟环境已经创建好的就可以直接激活虚拟环境了。创建虚拟环境的原因主要是做深度学习的时候，有很多模型需要跑，而这些模型对于软件包的要求各不相同，如果都安装在同一个环境下，可能会冲突，所以我们创建虚拟环境将其分开。
按照下面创建虚拟环境（我这里是安装了annaconda或者miniconda）：打开cmd窗口，然后输入

conda create --name yolo_env python=3.8

创建之后我们再激活虚拟环境

conda activate yolo_env

然后就进入虚拟环境下了。

4，安装软件包

在yolo的官网，可以看到代码是已经封装到一起了，直接安装就行。
在虚拟环境下，cmd窗口输入：

pip install ultralytics

记得安装pytorch等深度学习相关的基础软件包。

5，下载代码：

输入以下网址：
https://github.com/ultralytics/ultralytics
来到yolo的github代码，下载代码到本地并解压。

6，训练官方数据集

用pycharm打开代码，然后在项目文件夹下，新建一个名字叫train.py的python文件，然后把下面的代码输进去，点击运行就可以进行训练了。

from ultralytics import YOLO


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

    # Use the model
    model.train(data='coco.yaml',
                epochs=200, batch = 8, workers = 2,
                save = True,imgsz = 1024,
                save_period = 5, val = True)  # train the model

点击运行就可以了，代码会自动下载官方的coco数据集进行训练。
注意：由于coco数据集非常大，可能没办法下载下来，大家可以把这里数据集修改成coco128数据集，这个数据集比较小，如果不修改的话，可能会一直报错。data='coco128.yaml',**
其实两个数据集格式都是差不多的的，我习惯于用coco，所以后面训练自己数据集的时候就以coco数据集为例了。

下面先解释一下train里面的具体参数：
data：这个是指定使用的数据集，模型找到这个yaml文件，然后利用数据集里面的类别和路径进行训练。
epoches：训练代数。
batch：批大小，每次送几个图片进行训练。
workers：线程数，尽量选择小一点，不然会报错。
save：是否保存模型。
imgsz：图片的大小。
save_period：每隔几代保存一次。
val：模型中间是否进行验证。
注意：如果遇到以下错误：
raise err OSError: [WinError 1455] 页面文件太小,无法完成操作。 Error loading
大概率是因为workers设的太大了，或者训练之前没有指定workers使用了默认值。

7，使用自制数据集进行训练

首先将自制数据集修改成一下的格式：
在这里插入图片描述
然后images/train2017这个文件夹中放我们训练用的图片

在这里插入图片描述
labels/train2017这个文件夹中放每一个训练图片对应的标签情况。

这个文件需要自己写代码生成哈。

然后train2017.txt和val2017.txt文件中存放需要训练和验证的文件的路径，注意这里需要保存相对路径（./images/）和文件扩展名，不然就会报错说找不到文件
在这里插入图片描述
如果以上的数据都已经准备好并且格式也按照标准进行组织了，那么我们就可以训练我们自己的数据集了。

8，修改参数

首先是把训练数据的路径修改成我们自己存放数据的路径。
找到ultralytics/cfg/datasets文件夹，找到coco.yaml文件
在这里插入图片描述
然后打开coco.yaml文件，修改path为自己的路径，修改相应的classes为自己的标签名称。

在这里插入图片描述
然后再找到ultralytics/cfg/models/yolov8.yaml文件

打开yolov8.yaml文件，将nc修改为自己的标签类别，这个参数就是num_classes.

到这里我们需要修改的都修改完了，下面还是找到我们的train.py文件，然后点击运行，就可以直接训练我们自己的数据集了。
在这里插入图片描述

9，预测/推理

新建一个predict.py的文件，然后输入一下代码

from ultralytics import YOLO

if __name__ == '__main__':
    # Load a model
    model = YOLO('yolov8n.pt')  # pretrained YOLOv8n model
    
    # Run batched inference on a list of images
    results = model(['im1.jpg', 'im2.jpg'])  # return a list of Results objects
    
    # Process results list
    for result in results:
        boxes = result.boxes  # Boxes object for bounding box outputs
        masks = result.masks  # Masks object for segmentation masks outputs
        keypoints = result.keypoints  # Keypoints object for pose outputs
        probs = result.probs  # Probs object for classification outputs
        result.show()  # display to screen
        result.save(filename='result.jpg')  # save to disk

然后点击运行，就可以看到预测的图片啦。

备注：
训练及预测过程中，可能还有一些参数需要根据自己的机器及任务需要进行调整，大家可以翻看官方给出的参数指导进行修改。还有其他的问题也可以去官方文档中查看。这里我把连接给大家，方便大家寻找：
https://docs.ultralytics.com/modes/train/#train-settings