yolov8自备数据集训练的目标检测

情况自述：

        笔者可以算是小白一枚，为测试无人机识别模块的精准度，需要识别一个自制做的圆盘，特作此小项目。由于自己在整个过程踩过很多坑，也走过不少弯路，完成这个小项目，离不开CSDN中很多博主博客的借鉴学习（文中已标明各个博主文章出处），特此将整个流程记录下来，主要是为了自己做个笔记备份，二是希望需要学习的同学也能少走弯路。最后，我想说是从零将yolov8跑起来是个一个十分折磨人的过程，希望大家能有耐心，细心研究。笔者作为一个刚入门的小白，能力有限，初次写文章，难免可能有些小错误，敬请谅解。

具体流程：

        大概流程主要是前期环境搭建，安装cuda、cudnn，制作数据集，下载代码，配置环境包、修改配置参数，运行代码，用训练结果进行预测

目录

一、前期环境搭建：安装pycharm、anaconda、pytorch

二、安装cuda和cudnn

三、准备数据集

四：下载代码

五、配置环境包以及参数

六、运行代码 

七、利用训练生成的best.pt文件对物体进行识别预测

---

一、前期环境搭建：安装pycharm、anaconda、pytorch

        需要安装pycharm，用于跑yolov8的代码

        安装anaconda，用于管理环境包。pycharm和anaconda的安装可以自行搜索，这里主要要注意，安装完anaconda后，要自行添加anaconda进系统环境变量，否则用cmd命令时，会无法识别conda命令，比如显示：‘conda’ 不是内部或外部命令，也不是可运行的程序或批处理文件。

解决办法：在电脑的“高级系统设置”中 点击上方的高级选项以及下方的环境变量

可点击右侧浏览，将anaconda以下三个文件新建进系统的环境变量

anaconda安装完成后，启动anaconda prompt终端  在终端中输入：

conda create -n yolov8 python==3.8

创建一个基于python3.8名叫yolov8的环境

conda activate yolov8 

启动这个叫yolov8的环境

为在自命名yolov8的环境下安装pytorch

先更换国内镜像源：

清华源

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/

conda config --set show_channel_urls yes

中科大源：

conda config --add channels https://mirrors.ustc.edu.cn/anaconda/pkgs/main/

conda config --add channels https://mirrors.ustc.edu.cn/anaconda/pkgs/free/

conda config --add channels https://mirrors.ustc.edu.cn/anaconda/cloud/conda-forge/

conda config --add channels https://mirrors.ustc.edu.cn/anaconda/cloud/msys2/

conda config --add channels https://mirrors.ustc.edu.cn/anaconda/cloud/bioconda/

conda config --add channels https://mirrors.ustc.edu.cn/anaconda/cloud/menpo/

conda config --set show_channel_urls yes

将上面两大坨代码输进终端，anaconda 的下载源就以及更换为国内的了，下载环境包就更快

用conda命令安装历史版本的pytorch  去pytorch官网

注意：后面的-c pytorch -c conda-forge不用加

conda install pytorch==1.8.0 torchvision==0.9.0 torchaudio==0.8.0 cudatoolkit=11.1

输入进终端（在yolov8的环境下）  会下载很多包

二、安装cuda和cudnn

安装cuda和cudnn：见CUDA与cuDNN安装教程（超详细）--kirinmin的CSDN博客

三、准备数据集

先将自己的图片打标签：

下载labelimg 建一个3.9.16的python基础环境，在这个基础环境安装一些供labelimg使用的包，然后激活这个环境，在这个环境下打开labelimg，制作标签

labelimg下载安装：

打开cmd命令行

pip install labelimg -i https://pypi.tuna.tsinghua.edu.cn/simple

labelimg运行环境部署：

建一个3.9.16的python基础环境

conda create -n labelimg python==3.9.16

在这个基础环境安装运行labelimg包

pip install PyQt5 -i https://pypi.tuna.tsinghua.edu.cn/simple/
pip install pyqt5-tools -i https://pypi.tuna.tsinghua.edu.cn/simple/
pip install lxml -i https://pypi.tuna.tsinghua.edu.cn/simple/
pip install labelImg -i https://pypi.tuna.tsinghua.edu.cn/simple/
 

然后激活这个环境，在这个环境下打开labelimg (在这个环境下，cmd输入labelimg即可)，就不会出现labelimg运行闪退问题

参考：

目标检测---利用labelimg制作自己的深度学习目标检测数据集--炮哥带你学--CSDN博客

labelImg启动闪退的解决方法--qq_45476390--CSDN博客

注：第一个方框为打开自己准备的图片位置；第二个方框为转换图片格式后保存位置；第三个方框为转换格式的选择，选择yolo格式（txt文件）

格式转换完毕后：准备数据集

准备的数据集分为图片集和标签集  在图片集和标签集下又分别含有train训练集和val验证集

创建文件夹，包含两个文件：

每个images文件和labels文件又分别包含训练集验证集文件

将图片按比例（一般为8：2）分别放在train和val文件夹，图片集和标签集两个文件夹下train和val文件都要分别将相对应图片放置（一个图片相对应一个yolo.txt）

四：下载代码

见github官网：https://github.com/ultralytics/ultralytics

预训练权重下载：https://github.com/ultralytics/assets/releases

我使用的是yolov8n.pt   最小版本的训练模型

将数据集文件夹添加进项目的目录中，并将预训练权重模型yolov8n.pt也添加进项目中（也可以放在数据集文件中）

五、配置环境包以及参数

用pycharm打开项目代码

右下角将python环境选择为在步骤一时创建的yolov8环境

左边方框为yolov8代码运行使用说明文档，-CN为中文版

在python终端中使用命令，以便可以用yolo脚本驱动代码

pip install ultralytics

 点开requirements文件

在终端输入：

pip install -r requirements.txt

注意：如果显示找不到requirements文件，就加上requirements文件的地址再次运行：

pip install -r C:\python_files\yolov8_circle\ultralytics\requirements.txt 

修改配置参数：

主要是两个文件的修改：

1、将cfg/datasets里coco128.yaml文件复制并重新命名剪贴进自己的数据集文件,将重命名的副本文件修改里面的数据集路径、，以及“classesname" 为你所有识别物体的标签名

2、 将cfg/models/v8里yolov8.yaml文件复制并重新命名剪贴进自己的数据集文件，将重命名的副本文件里nc（number classes）改为你要训练识别物体的类别数

六、运行代码 

yolov8的代码可以有两种方式运行，一种是python代码，一种是用yolo脚本（CLI）命令运行，详情请见yolov8代码运行使用说明文档中usage具体举例：https://docs.ultralytics.com/usage/cli/

我使用的是终端CLI命令运行：

yolo detect train data=C:\python_files\yolov8_circle\ultralytics\Circledata\circle_data.yaml model=C:\python_files\yolov8_circle\ultralytics\Circledata\yolov8n.pt epochs=300 imgsz=640

train表示训练

data后面跟数据集配置的yaml文件（文件修改一）的路径，即复制重命名后的“coco128.yaml”副本路径

model后面跟预训练权重模型yolov8n.pt的路径   也可以为模型配置的yaml文件（文件修改二）的路径，即复制重命名后的“yolov8.yaml”副本路径，也可以跑。比如：

yolo detect train data=C:\python_files\yolov8_circle\ultralytics\Circledata\circle_data.yaml model=C:\python_files\yolov8_circle\ultralytics\Circledata\yolov8n_circle.yaml epochs=300 imgsz=640

epochs为训练轮数

特别的，使用python代码运行

你也可以自己创建一个train.py文件，使用python代码运行

from ultralytics import YOLO

# Load a model
model = YOLO("Circledata/yolov8n_circle.yaml")  # build a new model from scratch
model = YOLO("Circledata/yolov8n.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="ultralytics/Circledata/circle_data.yaml", epochs=100, imgsz=640)

---

代码运行成功：

训练完成后会在以下路径生成关于训练识别你的物体的权重文件best.pt

七、利用训练生成的best.pt文件对物体进行识别预测

将需要识别的文件夹添加到项目中，如图所示

使用命令：进行预测 

source后跟放入图片/文件夹的路径 

yolo detect predict model=runs/detect/train/weights/best1.pt source=C:\python_files\yolov8_circle\ultralytics\ultralytics\assets\valimage

运行的结果会存放在以下路径中

结果展示：

当然，你也可以predict一段视频，或是接一个摄像头进行predict，具体使用方法可见上文提到的yolov8使用举例文档