yolov8训练模型

---

前言

  我们要使用的算法yolov8可以干嘛呢？如下图gif所示。

  看图说话，如下是yolov8算法论文中的指标图。两个图都是纵坐标越高越好，横坐标越小越好。感觉目标检测算法的性能也和底层的芯片差不多，都在挤牙膏。

  我们先学会使用，后期会考虑根据论文复现这个算法。

---

二、环境准备

  将标注好的数据上传至云盘，数据格式是VOC。温馨提示：使用Google云盘或者Colab 是需要魔法的。

  新建一个Colab notebook文件。如果没有，可以关联Google Colaboratory应用。

  切到Google云盘下面再执行后面的内容。保证我们训练得到的模型保存在云盘里面。

%cd /content/drive/MyDrive

  点击打开Colab文件。打开后进行文件的挂载，将云盘和Colab关联起来，会自动关联。

  文件成功连接后端服务器。

  可以选择notebook连接服务器的设备，可以是CPU、GPU、TPU、A100、V100，后面三者是需要收费的。具体设置如下。

  免费版本下只能选择CPU、GPU。

二、ultralytics安装

  notebook安装ultralytics。

三、参数配置

  查看ultralytics包放置位置，在cfg/datasets文件下找到VOC.yaml。

!pip show ultralytics

先点击这个文件，再去找/usr/local/lib/python3.10/dist-packages/ultralytics/cfg/datasets/VOC.yaml。

1. 数据放在google网盘哪个位置，可以在colab中选中文件，鼠标右击有个文件的路径。
2. 在VOC文件下的images\train、images\val路径配置到yaml文件中关键字train、val中。
3. 根据自己标注情况配置标签，关键字names。其余的内容全部注释掉，特别是VOC.yaml文件后面的下载，一定要注释，不注释会报错。

  修改VOC.yaml。

四、模型训练

  模型训练代码非常简单，已经为你封装成三行代码。

from ultralytics import YOLO
#加载模型
model = YOLO('yolov8n.pt')# 加载预训练模型
#训练模型
results = model.train(data='VOC.yaml', epochs=100, imgsz=640)

训练结果。

到这里，你大概知道我们的数据是什么，我们使用yolov8的目的是什么。

---

五、导出模型

  训练过后，你可以导出为很多格式的模型，包括我们需要的OpenVINO模型。

# 导出模型
 model.export(format='openvino')

总结

  学会薅羊毛，哪个平台免费就去哪里，AI Studio或者Colab。ChatGPT再一次推波助澜nlp，超级视觉将在不远的未来，届时，超人工智能诞生。