利用autoDL算力云平台用YOLOv8训练自己的数据集

创建完实例和yolo所需要的虚拟环境之后，将自己的数据导入平台，我的路径如图，其中annotation文件夹中放所有的xml文件，images和labels文件夹中分别有三个文件夹，如图分别装着训练，测试，验证的原图像和yolo所需要的txt文件

在主目录创建一个文件夹名为yolov8，cd进入yolov8目录，下载yolo所需要的配置文件

pip install ultralytics

 

下载好后在该目录中创建data文件夹，里面创建一个yaml文件，yaml文件内容为训练集，测试集，验证集的路径，以及你的数据集的类别数量nc，和类别名。注意这里的train等冒号后面需要空一格。

同样在yolov8文件夹中创建weights文件夹，放置你要用到的权重文件，这里我使用的是yolov8n（轻量但是效果可能不太好，可以根据需要换成别的）

在yolov8文件夹中创建名为train的py文件，内容如下，包含你所要用到的权重文件和data的路径，其中图片尺寸和epochs，batch根据需要自己修改

 现在可以训练了，cd进入yolov8目录，开始训练

cd yolov8
python train.py

 成功训练效果如图

训练结果路径也显示了，在yolov8/runs目录中

结果的数据以及一些指标可以参考这篇文章，通俗易懂：超详细YOLOv8实例分割全程概述：环境、训练、验证与预测详解_yolov8分割-CSDN博客

训练结束后创建val.py文件（与train.py）在同一目录下

from ultralytics import YOLO
if __name__ == '__main__':
    model = YOLO('runs/detect/train19/weights/best.pt') 
    model.val(data='data/data.yaml',
              split='val',
              imgsz=1024,
              batch=2,
              save_json=True, # if you need to cal coco metrice
              project='runs/val',
              name='exp',
              )

导入的模型是训练结束后效果最好的模型

之后利用该模型对随机一张图进行测试

 yolo predict model=最好的模型 source=测试图片

测试图片需要自己导入文件夹yolov8/ultralytics/assets，输出的结果在yolov8/runs/detect/predict中