YOLOV8如何训练自己的图片分类模型

YOLO8不仅仅可以胜任目标检测任务，目前YOLO8还支持图片分类、实例分割、人体关键点检测。本篇文章介绍如何使用YOLO8训练一个自己的图片分类模型。 YOLO8训练目标检测模型的方法参见本人主页的另外一篇文章：如何使用YOLOV8训练自己的目标检测模型

首先准备好ImageNet格式的数据集，我这里以81类水果图片分类数据集为例。ImageNet数据集应该具有一下目录结构

train
├── 类别1

            |——图片1

            |——图片2

            |——......
└── 类别2

            |——图片1

            |——图片2

            |——......

........

val
├── 类别1

            |——图片1

            |——图片2

            |——......
└── 类别2

            |——图片1

            |——图片2

            |——......

 准备好数据集之后，还需要配置YOLO8的运行环境，详见本人主页的这篇文章。

按照上面的文章在anaconda中配置好虚拟环境之后，我们就可以着手开始训练，训练的方式有很多，我们这里选择python程序训练。在训练之前，文件目录如下面图片所示

datas文件夹下是数据集图片，trian.py是训练脚本，yolov8m-cls.pt是模型模型（我们这里选择使用yolov8m-cls基础模型），yolov8n.pt是模型训练过程中做混合精度验证用到的。这些模型权重都可以在ultralytics官网下载 

train.py文件代码如下：

from ultralytics import YOLO
#这里使用的是linux系统进行训练 配置好YOLO8环境，一键运行该文件即可自动训练

# Load a model
#model = YOLO('yolov8n-cls.yaml')  # build a new model from YAML
model = YOLO('yolov8m-cls.pt')  # load a pretrained model (recommended for training)
#model = YOLO('yolov8n-cls.yaml').load('yolov8n-cls.pt')  # build from YAML and transfer weights

# Train the model
#data参数指定数据集路径(文件夹)，
#注意workers在windows系统中指定为0
results = model.train(data='datas', batch=32,workers=16,epochs=250,imgsz=224)

 之后即可在conda虚拟环境中的YOLO8环境下开展训练（我这里的环境名称为pytorch_learn）

之后，控制台窗口会有一系列的日志输出

经过一段时间等待之后，在目录下的runs文件夹下会自动生成训练过程记录，包含模型权重、混淆矩阵、PR曲线、loss曲线等