YOLOv8手把手教程--超级无敌详细系列

Franpper

已于 2023-09-04 08:36:54 修改

阅读量8.2k

点赞数 31

文章标签： YOLO python 深度学习目标检测 pytorch

于 2023-09-03 21:26:34 首次发布

本文链接：https://blog.csdn.net/weixin_58283091/article/details/132645365

版权

YOLOv8是基于目标检测算法YOLOv5的改进版，它在YOLOv5的基础上进行了优化和改进，加入了一些新的特性和技术，如切片注意力机制、骨干网络的选择等。YOLOv8的目标检测速度非常快，可以达到实时检测的效果，并且在目标检测精度上也取得了不错的成绩。同时，YOLOv8的模型体积比较小，运行内存占用也很少，适合在嵌入式设备等资源受限的环境中应用。总的来说，YOLOv8是一种高效、快速、准确的目标检测算法，适合在多种场景中应用，包括智能家居、智能交通、安防监控等领域。

但是YOLOv8官方的项目应该在更新的过程中改了不少地方，Franpper跟着一些教程部署的时候遇到了很多问题，所以Franpper将自己部署的过程详细的记录下来希望可以帮到大家！

在开始之前Franpper希望大家可以将自己遇到的问题留在评论区里，大家互相帮助下！！！

一、下载项目

1、项目地址

YOLOv8官方项目地址https://github.com/ultralytics/ultralytics

2、下载项目

Franpper给大家介绍两种方式来下载项目

1）直接下载压缩文件

选择Code中的Download ZIP，如下图：

2）通过HTTPS Clone项目

此种方式需要先下载git。具体步骤如下：

首先将下图中的命令复制

然后在自己的项目文件夹右键选择Git Bash Here

然后输入git clone + 刚才复制的命令，即：

git clone https://github.com/ultralytics/ultralytics.git

如下图：

那么好，可以看到项目已经被克隆下来了！

二、文件夹结构介绍

YOLOv8经过几次更新后，文件夹结构与以前有很多改动，下面Franpper先带领大家熟悉一下最新版本YOLOv8项目的文件夹结构

1、训练验证文件

首先是肯定要用到的训练与推理文件，可以看到在下图中的yolo文件夹中，分别有classify、detect、pose、segment四个文件夹，分别对应了分类、目标检测、姿态检测与实例分割。同时每个功能下面都有训练与推理入口。如下图：

2、配置文件

首先是datasets文件夹，其中为数据配置文件，存放着数据集源路径root、训练集、验证集、测试集地址，类别个数，类别名，下载地址等信息。

然后是models文件号，其中为网络模型配置文件。

最后是trackers文件夹，其中参数配置文件。

如下图：

三、配置环境

下面Franpper带领大家配置YOLOv8项目的环境。在官方的文档（README.zh-CN.md）中可以看到，YOLOv8需要3.8或以上的Python版本，而且项目需要的torch版本不低于1.8。

1、创建环境

详细创建过程可以参考下面博文的第二条。深度学习环境配置(pytorch版本)----超级无敌详细版（有手就行）https://blog.csdn.net/weixin_58283091/article/details/127841182?spm=1001.2014.3001.5502

conda create -n ultralytics python=3.8

2、激活环境

conda activate ultralytics

3、安装依赖

pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple/

4、具体实现步骤

具体安装步骤如下图：

四、项目测试

1、测试推理功能（以分割为例）

首相进入predict.py文件中，如果predict.py中有下图中框选的代码直接运行即可，如果没有的话，把下面给出的代码复制到predict.py中然后运行。

需要复制的代码：

from ultralytics.utils import ASSETS, DEFAULT_CFG, ops
def predict(cfg=DEFAULT_CFG, use_python=False):
    """Runs YOLO object detection on an image or video source."""
    model = cfg.model or 'yolov8n-seg.pt'
    source = cfg.source or ASSETS

    args = dict(model=model, source=source)
    if use_python:
        from ultralytics import YOLO
        YOLO(model)(**args)
    else:
        predictor = SegmentationPredictor(overrides=args)
        predictor.predict_cli()


if __name__ == '__main__':
    predict()

2、测试训练功能（以分割为例）

首先进入train.py文件中，如果trian.py中有下图中框选的代码直接运行即可，如果没有的话，把下面给出的代码复制到train.py中然后运行。

需要复制的代码：

def train(cfg=DEFAULT_CFG, use_python=False):
    """Train a YOLO segmentation model based on passed arguments."""
    model = cfg.model or 'yolov8n-seg.pt'
    data = cfg.data or 'coco8-seg.yaml'
    device = cfg.device if cfg.device is not None else ''

    args = dict(model=model, data=data, device=device)
    if use_python:
        from ultralytics import YOLO
        YOLO(model).train(**args)
    else:
        trainer = SegmentationTrainer(overrides=args)
        trainer.train()


if __name__ == '__main__':
    train()

运行之后，可以看到自动下载了coco8-seg数据集与yolov8n-seg.pt权重，并开始了训练