做完验证码识别之后,本人深刻意识到YOLOv8的强大。验证码任务完成之后,接到了一个实验装置水位检测的任务,即水位低于某一水平,认定为低水位;高于某一水平,认定为高水位;其余的可以认定为正常水位。emmmm,刚开始接到这个任务,想的是标注然后用YOLOv8做目标检测,然后发现标注很麻烦,识别效果也很差。然后突然想到YOLOv8可以做图像分类、检测和分割,就试了一下,不得不说啊,真的是方便省事效果还好。那就记录一下吧,省的下次忘了怎么做。
虚拟环境
新建虚拟环境
conda create -n your_env_name python=x.x
注意,YOLOv8要求:Python>=3.7,PyTorch>=1.7.
查看虚拟环境是否新建成功,有哪些虚拟环境,可以通过以下命令:
conda env list
conda info -e
激活虚拟环境
conda activate your_env_name
查看虚拟环境中有哪些包,可以使用下面的命令
pip list
conda list
删除虚拟环境
conda remove -n your_env_name --all
安装
pip install ultralytics
为了加速安装,可以添加镜像(附一个镜像汇总链接:https://zhuanlan.zhihu.com/p/298372291),比如使用清华镜像:
pip install ultralytics -i https://pypi.tuna.tsinghua.edu.cn/simple
剩下的就不用管了,只需要等待安装完成即可。
准备数据集
第一步,分类放置
在准备数据集方面,相比于目标检测,这个简直太方便了。将图片分类放到不同的文件夹里面,比如我分成了low、normal、high三类,就是三个文件夹,如图
第二步,划分训练集和验证集
还有一个问题是需要划分训练集和验证集,训练集和验证集中都需要包含所有类别图片,这个依靠代码就可以完成啦。把代码放到下面(这个我也是在网上找的,但实在找不到原文了,故没有放链接,sorry):
import os
import random
from shutil import copy2
def data_set_split(src_data_folder, target_data_folder, train_scale=0.8, val_scale=0.2):
'''
读取源数据文件夹,生成划分好的文件夹,分为train、val两个文件夹进行
:param src_data_folder: 源文件夹
:param target_data_folder: 目标文件夹
:param train_scale: 训练集比例
:param val_scale: 验证集比例
:return:
'''
print("开始数据集划分")
class_names = os.listdir(src_data_folder)
# 在目标目录下创建文件夹
split_names = ['train', 'val']
for split_name in split_names:
split_path = os.path.join(target_data_folder, split_name)
if os.path.isdir(split_path):
pass
else:
os.makedirs(split_path)
# 然后在split_path的目录下创建类别文件夹
for class_name in class_names:
class_split_path = os.path.join(split_path, class_name)
if os.path.isdir(class_split_path):
pass
else:
os.makedirs(class_split_path)
# 按照比例划分数据集,并进行数据图片的复制
# 首先进行分类遍历
for class_name in class_names:
current_class_data_path = os.path.join(src_data_folder, class_name)
current_all_data = os.listdir(current_class_data_path)
current_data_length = len(current_all_data)
current_data_index_list = list(range(current_data_length))
random.shuffle(current_data_index_list)
train_folder = os.path.join(os.path.join(target_data_folder, 'train'), class_name)
val_folder = os.path.join(os.path.join(target_data_folder, 'val'), class_name)
train_stop_flag = current_data_length * train_scale
current_idx = 0
train_num = 0
val_num = 0
for i in current_data_index_list:
src_img_path = os.path.join(current_class_data_path, current_all_data[i])
if current_idx <= train_stop_flag:
copy2(src_img_path, train_folder)
train_num = train_num + 1
else:
copy2(src_img_path, val_folder)
val_num = val_num + 1
current_idx = current_idx + 1
print("*********************************{}*************************************".format(class_name))
print("{}类按照{}:{}的比例划分完成,一共{}张图片".format(class_name, train_scale, val_scale, current_data_length))
print("训练集{}:{}张".format(train_folder, train_num))
print("验证集{}:{}张".format(val_folder, val_num))
if __name__ == '__main__':
src_data_folder = "C:/Users/lenovo/Desktop/liquid"
target_data_folder = "C:/Users/lenovo/Desktop/liquid_split"
data_set_split(src_data_folder, target_data_folder)
划分完毕,最终数据集格式如下:
下载预训练权重
下载地址:https://docs.ultralytics.com/zh/tasks/classify/#models。官方给了五个预训练权重,从小到大依次是yolov8n-cls.pt、yolov8s-cls.pt、yolov8m-cls.pt、yolov8l-cls.pt和yolov8x-cls.pt,因为我这边数据集比较小,我用的是yolov8n-cls.pt。
训练
准备好了数据集和预训练权重之后,就可以开始训练了。
python代码
from ultralytics import YOLO
# Load a model
model = YOLO('yolov8n-cls.pt') # 加载预训练模型
# Train the model
results = model.train(data='liquid_split', epochs=100, imgsz=64)
命令行
yolo classify train data=liquid_split model=yolov8n-cls.pt epochs=100 imgsz=64
结果
训练结果出乎意料的好啊哈哈哈哈,结果详细解读可以点击这里,我太懒了不想码字了实在是。
预测
训练模型保存在runs/classify/weights/best.pt
from ultralytics import YOLO
# 加载训练好的模型
model = YOLO('best.pt')
results = model('IMG_20240204_160532.jpg') #image 1/1 D:\PyProject\IMG_20240204_160532.jpg: 64x64 high 1.00, normal 0.00, low 0.00, 72.4ms
print(results[0].names) #{0: 'high', 1: 'low', 2: 'normal'}
print(results[0].probs.top1) #0
print(results[0].names[results[0].probs.top1])#high
参数说明
最后,关于训练参数、验证参数说明、预测参数说明都可以点击这里跳转。