Yolov8 模型训练指南

数据集的标注

1. 视频转图片

• 方法一

  • PotPlayer 64bit下载

  • 通过PotPlayer打开相应视频

  • Ctrl＋G 打开连续截取画面设置

    • 如，一段视频中 采集数量：200，按时间 每毫秒 3000

  • 获取合适数量的图片

  • 检查数据集质量

• 方法二

• import cv2
  video = r"path\to\ur\video\1.mp4" #需要分割的视频地址
  cap = cv2.VideoCapture(video)
  frame_id = 0
  gap = 1 # 每gap帧取一张图片
  while (cap.isOpened()):
      ret, frame = cap.read()
      if ret==True:
          if frame_id%gap==0:
              cv2.imwrite('./1/'+'1_'+str(frame_id)+'.jpg',frame) #图片保存地址，要先创建
              frame_id+=1
      else:
          cap.release()

2. 标注工具Labelimg使用

• 创建python3.9的环境

  • conda create -n labelimg python=3.9
    conda activate labelimg

• 安装labelimg

  • conda install labelimg

• 设置labelimg

  • 设置两个文件夹，一个txt

    • images存放获取的图片

    • labels存放将要得到的标签

    • predefined_classes.txt存放标注的类别，用于快速标注

    • 

  • Anaconda命令行输入

    • labelimg .\images\ .\predefined_classes.txt

  • Change Save Dir设置为保存标签的路径，labels

  • 标注模式选择为 yolo

  • 

  • 标注前设置：View，选择

    • Auto Save mode：切换到下一张图片时，就会自动把上一张标注的图片标签自动保存下来

    • Display Labels：标注好图片之后，会把框和标签都显示出来

    • 

  • 快捷键

    • W：调出标注十字架 A：切换上一张图片 D：切换 下一张图片 del：删除标注的矩形框

  训练Yolo

  • 训练集的架构如图

    • 

    • labels.cache是训练后产生的文件

  • 配置data.yaml文件如下

    • path : human_target
      train: images
      val: images
      test:
      ​
      # number of classes
      nc: 2
      ​
      # class names
      names: ['human', 'target']

  • 通过CLI语句训练

    • yolo detect train data=datasets/human_target/data.yaml model=yolov8n.yaml pretrained=ultralytics/yolov8n.pt epochs=100 batch=4 lr0=0.01 resume=True

  • 训练好的模型在runs\detect\train[num]\weights\best.pt

  • 通过CLI语句将.pt转换为.onnx

     yolo export model=yolov8n.pt format=onnx opset=12   

  • 通过trtexec.exe将.onnx转换为.trt