YOLOv8训练自定义数据集模型

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