在rk3588开发板上训练yolov8模型（2024.3.25 学习笔记 正在不断编辑修改中。4.2：公司不用这个了换开发板了之后慢慢补）

一.关于docker

Docker 是一个开源的平台，用于开发、交付和运行应用程序。它使用容器技术，可以将应用程序及其依赖项打包成容器，从而实现快速部署、可移植性和可伸缩性。

下载推荐使用小鱼的一键安装，非常好用，小鱼是神。

https://fishros.com/

wget http://fishros.com/install -O fishros && . fishros

1. docker --version：查看 Docker 版本信息。

2. docker pull <image_name>：从 Docker Hub 下载镜像到本地。

3. docker images：列出本地已下载的镜像。

4. docker run <image_name>：运行一个容器。

5. docker ps：列出正在运行的容器。

6. docker ps -a：列出所有容器，包括已停止的。

7. docker exec -it <container_id> <command>：在运行的容器中执行命令。

8. docker stop <container_id>：停止一个正在运行的容器。

9. docker rm <container_id>：删除一个容器。

10. docker rmi <image_name>：删除一个本地镜像。

11. docker build -t <image_name> <path_to_dockerfile>：构建一个新的镜像。

12. docker-compose up：使用 Docker Compose 启动应用程序。

二.YOLOv8介绍 

        Ultralytics 并没有直接将开源库命名为 YOLOv8，而是直接使用 ultralytics 这个词，原因是 ultralytics 将这个库定位为算法框架，而非某一个特定算法，一个主要特点是可扩展性。其希望这个库不仅仅能够用于 YOLO 系列模型，而是能够支持非 YOLO 模型以及分类分割姿态估计等各类任务。总而言之，ultralytics 开源库的两个主要优点是：

1.融合众多当前 SOTA 技术于一体

2.未来将支持其他 YOLO 系列以及 YOLO 之外的更多算法

        Ultralytics为YOLO模型发布了一个全新的存储库。它被构建为 用于训练对象检测、实例分割和图像分类模型的统一框架。

        提供了一个全新的 SOTA 模型，包括 P5 640 和 P6 1280 分辨率的目标检测网络和基于 YOLACT 的实例分割模型。和 YOLOv5 一样，基于缩放系数也提供了 N/S/M/L/X 尺度的不同大小模型，用于满足不同场景需求。

        骨干网络和 Neck 部分可能参考了 YOLOv7 ELAN 设计思想，将 YOLOv5 的 C3 结构换成了梯度流更丰富的 C2f 结构，并对不同尺度模型调整了不同的通道数，属于对模型结构精心微调，不再是无脑一套参数应用所有模型，大幅提升了模型性能。不过这个 C2f 模块中存在 Split 等操作对特定硬件部署没有之前那么友好了。

        Head 部分相比 YOLOv5 改动较大，换成了目前主流的解耦头结构，将分类和检测头分离，同时也从 Anchor-Based 换成了 Anchor-Free

        Loss 计算方面采用了 TaskAlignedAssigner 正样本分配策略，并引入了 Distribution Focal Loss

        训练的数据增强部分引入了 YOLOX 中的最后 10 epoch 关闭 Mosiac 增强的操作，可以有效地提升精度。

        YOLOv8 还高效灵活地支持多种导出格式，并且该模型可以在 CPU 和 GPU 上运行。YOLOv8 模型的每个类别中有五个模型用于检测、分割和分类。YOLOv8 Nano 是最快和最小的，而 YOLOv8 Extra Large (YOLOv8x) 是其中最准确但最慢的。

三.YOLOv8训练部署过程，环境配置

1.安装anaconda,创建一个yolov8的虚拟环境，推荐python版本3.8

2.根据你使用的cuda版本，先安装对应的PyTorch-gpu的版本（否则默认安装的是cpu版本）。

3.#Pip install the ultralytics package including all requirements in a Python>=3.7 environment with PyTorch>=1.7.

在yolov8虚拟环境下，在终端输入：pip install ultralytics

yolov8工程就下载完成了，工程文件默认安装在../env/yolov8/bin/ultralytics

注：如果是从GitHub官方通过git clone拉取的工程，依然需要pip install ultralytics。在使用yolo命令行时，程序执行的依然是../env/yolov8/bin/ultralytics/目录下的工程文件。

执行pip install ultralytics后，环境已经将requirement.txt的必要库都安装好了，但为了转onnx模型和更好的训练，建议再配置如下几个库，可以参考官方项目中的requirement.txt文件。

# Logging -------------------------------------

# tensorboard>=2.13.0

# Export --------------------------------------

# onnx>=1.12.0 # ONNX export

# onnxsim>=0.4.1 # ONNX simplifier

# Extras --------------------------------------

# pycocotools>=2.0.6 # COCO mAP

这几个是默认未自动安装的，需要手动安装，例：pip install tensorboard == 2.13.0

至此yolov8工程和环境配置完成

四.训练

yolov8训练，官方文档：

Train - Ultralytics YOLOv8 Docs

预测，官方文档：

Predict - Ultralytics YOLOv8 Docs

五.实际操作

1.登录训练服务器 （账号密码见工作笔记本）

2.sudo docker ps -a

3.sudo docker start yolov8-seg(或rknn等)

4.sudo docker exec -it yolov8-seg /bin/bash

5.cd /usr/src