YOLOv8网络结构图
YOLOv8训练过程
一、首先配置环境;
1.安装Anaconda,并将conda添加到环境变量Path中,
创建虚拟环境 :conda create -n name python=3.x
2.pytorch环境搭建。去pytorch官网下载对应python版本的torch和torchvision安装包whl文件,在虚拟环境下,使用pip install torch… .whl 以及 pip install torchvision… .whl进行安装,安装后进行检测,print(torch. --vison-- )
二、下载源码,安装依赖包
下载yolov8官方源码(https://github.com/ultralytics/ultralytics),使用pip install -r requirements,txt进行所需包的安装
三、数据集准备
数据集的准备。 使用VOC格式的数据集,如下图
DataSet
├─ test
│ ├─ images
│ │ └─ ······
│ └─ labels
│ └─ ······
├─ train
│ ├─ images
│ │ └─ ······
│ └─ labels
│ └─ ······
├─ valid
│ ├─ images
│ │ └─ ······
│ └─ labels
│ └─ ······
├─ data.yaml
└─ yolov8s.yaml
data.yaml主要是保存训练数据集的目录,类别数,类别名,如图所示:
模型参数文件yolov8s.yaml: YOLOV8包含5种模型,主要差异还是在:depth_multiple和width_multiple
四、训练的参数设置
一、命令行训练:
训练时使用.pt文件和,yaml文件的区别:
.yaml是从0重新训练一个新的模型,自定义模型
#YOLO训练模型
yolo task=detect mode=train model=yolov8n.yaml data=./data/cat.yaml epochs=100 imgsz=640 resume=Ture
#YOLO断续训练
yolo task=detect mode=train model=run/detect/train2/weights/last.pt data=./data/cat.yaml epochs=100 imgsz=640 resume=Ture
部分参数选项:
task: “detect” # choices=[‘detect’, ‘segment’, ‘classify’, ‘init’] # init is a special case. Specify task to run.
mode: “predict” # choices=[‘train’, ‘val’, ‘predict’, ‘export’] # mode to run task in.
model 传入的model.yaml文件或者model.pt文件,用于构建网络和初始化,不同点在于只传入yaml文件的话参数会随机初始化
data 训练数据集的配置yaml文件
epochs 训练轮次,默认100
patience 早停训练观察的轮次,默认50,如果50轮没有精度提升,模型会直接停止训练,为了不终止训练直接调成10000
batch 训练批次,默认16
imgsz 训练图片大小,默认640
save 保存训练过程和训练权重,默认开启
save_period 训练过程中每x个轮次保存一次训练模型,默认-1(不开启)
cache 是否采用ram进行数据载入,设置True会加快训练速度,但是这个参数非常吃内存,一般服务器才会设置
device 要运行的设备,即cuda device =0或Device =0,1,2,3或device = cpu
workers 载入数据的线程数。windows一般为4,服务器可以大点,windows上这个参数可能会导致线程报错,发现有关线程报错,可以尝试减少这个参数,这个参数默认为8,大部分都是需要减少的(Windows上不降低数量的方法已经上传到B站工房系列改进的资源中,请家人们及时查看!)
project 项目文件夹的名,默认为runs
name 用于保存训练文件夹名,默认exp,依次累加
exist_ok 是否覆盖现有保存文件夹,默认Flase
pretrained 是否加载预训练权重,默认Flase
optimizer 优化器选择(也是种改进方式!),默认SGD,可选[SGD、Adam、AdamW、RMSProP]
verbose 是否打印详细输出
seed 随机种子,用于复现模型,默认0
deterministic 设置为True,保证实验的可复现性
single_cls 将多类数据训练为单类,把所有数据当作单类训练,默认Flase
image_weights 使用加权图像选择进行训练,默认Flase
rect 使用矩形训练,和矩形推理同理,默认False
cos_lr 使用余弦学习率调度,默认Flase
close_mosaic 最后x个轮次禁用马赛克增强,默认10
resume 断点训练,默认Flase
lr0 初始化学习率,默认0.01
lrf 最终学习率,默认0.01
label_smoothing 标签平滑参数,默认0.0
dropout 使用dropout正则化(仅对训练进行分类),默认0.0
模型验证:
yolo task=detect mode=val model=runs/detect/train3/weights/best.pt data=data/fall.yaml device=0
模型预测:
yolo task=detect mode=predict model=runs/detect/train3/weights/best.pt source=data/images device=0
模型导出:
yolo task=detect mode=export model=runs/detect/train3/weights/best.pt format=onnx
第二种方法train.py训练:
首先找到,ultralytocs/cfg/default.yaml文件,修改文件中的相关配置,如:task:detect mode:train model:模型文件yolov8n.yaml的位置 data: 数据文件data.yaml的位置 以及一些基本的参数设置,epochs 、batch 、workers、imgsz、device等
配置好相关训练参数后、在根目录下新建mytrain.py,粘贴下面代码进去,右键运行即可
from ultralytics import YOLO
model = YOLO('ultralytics/cfg/models/v8/yolov8.yaml') # 此处是yaml文件路径
results = model.train(data='datasets/data.yaml',device='1') # 这里data是数据集yaml路径,其他超参数也可以在这里进行重新设置