YOLOv8训练自己的数据集2

6. 验证数据

        验证其实是加载验证集，然后使用best.pt进行推理，得到的各项指标数据。

from ultralytics import YOLO
 
if __name__=="__main__":
 
    # 加载最优模型的路径
    pth_path=r"ultralytics\runs\detect\train*\weights\best.pt"
    model = YOLO(pth_path)  # load a custom model
 
    # 验证模型
    metrics = model.val()  # no arguments needed, dataset and settings remembered
    metrics.box.map    # map50-95
    metrics.box.map50  # map50
    metrics.box.map75  # map75
    metrics.box.maps   # a list contains map50-95 of each category

7. 测试数据

from ultralytics import YOLO
 
if __name__=="__main__":
    
    # 加载最优模型的路径
    pth_path=r"ultralytics\runs\detect\train*\weights\best.pt"
     
    # 测试结果保存的地址
    test_path=r"ultralytics\detect_test"

    # 加载最优模型
    model = YOLO(pth_path)
 
    # 预测模型
    results = model(test_path,save=True,conf=0.5)

8. 代码导出

        注释：导出onnx模型的时候，需要设置opset=11，不然导出模型可能会报错，或者会出现警告。此外，最好设置动态导出onnx，这样模型的输入就不会仅限制在640*640，而可以是任意batch_size，还有任意尺寸的图片了，并且可以同时预测batch_size张图片。

        注释：使用netron可视化onnx模型。

from ultralytics import YOLO
 
if __name__=="__main__":
 
    pth_path=r"ultralytics\runs\detect\train*\weights\best.pt\best.pt"
    model = YOLO(pth_path)
 
    # 导出模型
    model.export(format='onnx',opset=11,dynamic=True)

9. 文件路径结构

         路径：ultralytics

                预训练权重文件  yolov8s.pt

                训练文件             train.py

                验证文件             validation.py

                测试文件              test.py

                导出文件              exportion.py