一、标注数据(labelimg标注工具)
利用labelimg标注工具标注图片真实框,获得xml(voc)格式文件。标签名包括'badminton'。如下图所示:
二、安装开发环境(docker、Linux、Python、Opencv)
直接用docker拉取镜像,代码如下:docker pull ultralytics/ultralytics:latest
创建容器,代码如下:docker run --shm-size 64g --gpus all --network host -v /mnt/d/train/yolov8:/yolov8 --name yolov8 -d ultralytics/ultralytics:latest tail -f /dev/null
进入容器:docker exec -it yolov bash
如下图所示:
三、标签xml(voc)格式转为txt(yolov)格式并划分数据集
xml文件如图所示:
txt文件如图所示:
划分后的数据集如图所示:
![](https://img-blog.csdnimg.cn/direct/a9e010bb357642a9b312aa57f03c9fca.png)
四、下载预权重
这里以yolov8n.pt为例,下载链接:https://github.com/meituan/YOLOv6/releases/download/0.3.0/yolov6n.pthttps://github.com/meituan/YOLOv6/releases/download/0.3.0/yolov6n.pt如下图所示:
五、数据集和模型配置文件
数据集配置文件:yolov8-data-voc.yam。如图所示:
模型配置文件:yolov8n.yaml
备注:修改预测权重位置
以上就完成所有前期的准备工作
六、训练脚本命令:yolo task=detect mode=train model=yolov8n.pt epochs=10 batch=32 data=/yolov8/ultralytics/ultralytics/cfg/models/v8/yolov8-badminton.yaml。训练完成结果如下图所示:
推理脚本命令:yolo task=detect mode=val split=val model=best.pt data=/yolov8/ultralytics/ultralytics/cfg/models/v8/yolov8-badminton.yaml
导出模型命令:yolo task=detect mode=export model=best.pt