YOLOV8-Pytorch复现

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：

  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