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。
- 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。
- 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。
- 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。