YOLOv8训练MaskData数据集-贝塔的学习日记

写程序的贝塔

于 2024-09-13 22:10:04 发布

阅读量206

点赞数 7

文章标签： YOLO 学习深度学习

本文链接：https://blog.csdn.net/shuai_beibei/article/details/142223753

版权

1.将下载好的数据集放在yolo的路径下，放在其他地方也可以，训练时候可以用绝对路径指定

数据集的文件夹如下图所示

这里有三个文件分别是test、train、valid，以及我们数据集的配置文件data.yaml

这里的data.yaml文件非常简单，分别是训练集的路径和验证集的路径，以及两个分类，分类名称

2.我们要激活我们的虚拟环境，在对应的环境下运行

conda activate yolov5

我之前创建的环境名是yolov5相关依赖都安装完毕

3.执行训练命令

#解释一下这条命令
#yolo的目标检测训练，data=是指定训练集所在的路径，数据集在其他地方可以使用绝对路径，绝对路径不会出错建议使用
#model=是指定我们所用模型的配置文件
#pretrained是指定一个预训练模型帮我们训练
#epochs是训练的轮次，这里小一点20轮更快出结果
#batch是每次取出来的图片，就是一次往GPU哪里塞多少张图片了。决定了显存占用大小，默认是16
#lr0是学习率，resume是恢复训练，workers是指数据装载时cpu所使用的线程数，默认为8
#因为我的笔记性能很差，大家可以根据自己情况调整参数大小
yolo detect train data=D:\VehicleDetection\ultralytics-main\datasets\MaskDataSet\data.yaml model=ultralytics/models/v8/yolov8n.yaml pretrai
ned=yolov8n.pt epochs=20 batch=2 lr0=0.01 resume=True workers=1

开始后会打印一些我们的设备信息，以及参数值

这里就开始训练了，上面有训练结果保存的路径runs\detect\train21就是保存结果的地方

在最后10轮时会出现，Closing dataloader mosaic，是yolo中的一个方法，如果在这里报错的话，可以将close_mosaic=0。

Mosaic数据增强方法是YOLOV4论文中提出来的，主要思想是将四张图片进行随机裁剪，再拼接到一张图上作为训练数据。这样做的好处是丰富了图片的背景，并且四张图片拼接在一起变相地提高了batch_size，在进行batch normalization的时候也会计算四张图片，所以对本身batch_size不是很依赖，单块GPU就可以训练YOLOV4

3.训练结果