【目标检测】YOLOV8训练自己数据集

一、环境准备

启动服务器，进入base环境，创建新环境yolov8。

conda create -n yolov8 python=3.8

激活新环境yolov8。

conda activate yolov8

环境配置参考链接：https://blog.csdn.net/weixin_61988885/article/details/129421538

二、下载项目

2.1、下载YOLOV8代码

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

2.2、安装ultralytics

pip install ultralytics

2.3、在激活环境下，ultralytics文件夹下安装依赖

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

三、项目测试

3.1、推理功能测试（以目标检测为例）

下载权重文件地址：https://github.com/ultralytics/assets/releases

在ultralytics/models/yolo/detect文件夹下的predict.py文件内加以下代码，运行predict.py文件

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.pt'
    source = cfg.source or ASSETS
 
    args = dict(model=model, source=source)
    if use_python:
        from ultralytics import YOLO
        YOLO(model)(**args)
    else:
        predictor = DetectionPredictor(overrides=args)
        predictor.predict_cli()
 
 
if __name__ == '__main__':
    predict()

代码来源：https://blog.csdn.net/weixin_58283091/article/details/132645365

运行结果如下：

3.2可能遇到的问题

PS:使用服务器（Ubuntu）训练可能遇见的错误

ImportError: libgthread-2.0.so.0: cannot open shared object file: No such file or directory

解决方法：

sudo apt-get install libglib2.0-0
export LD_LIBRARY_PATH=/usr/local/lib:$LD_LIBRARY_PATH

四、训练自己的数据集

 本节相关内容参考：YOLOv8 从环境搭建到推理训练-CSDN博客

4.1数据集制作

       labelme标定数据集（获得json文件），json转xml文件，xml文件转yolo文件格式的txt文件。

4.2创建数据加载配置文件

       在hy-tmp/ultralytics/ultralytics/models/yolo/detect文件夹下新建mydata文件夹，在mydata文件夹下新建mydata.yaml文件（自定义命名），用来存放train、val、test的路径文件，修改目标的类别数目和具体类别列表。

train: /hy-tmp/ultralytics/ultralytics/models/yolo/detect/mydata/images/train
val: /hy-tmp/ultralytics/ultralytics/models/yolo/detect/mydata/images/val
test: /hy-tmp/ultralytics/ultralytics/models/yolo/detect/mydata/images/test
 
# number of classes
nc: 21
 
# class names
names: ['GJ-90WT', 'FL-DH', 'FL-XS', 'GJ-CGT', 'FM-ZH', 'FM-JZ', 'GJ-90DZ', 'GJ-TY', 'GJ-DST', 'GJ-DG', 'FL-CH', 'FM-ZF', 'GJ-TG', 'YB-QD', 'GJ-DHT', 'YB-INS', 'FM-DF', 'YB-SA', 'GJ-FE', 'GJ-GM', 'FL-LW']

4.3选择模型、训练数据集

选择模型，本文以yolov8n为例进行目标检测，修改yolov8.yaml参数，将nc数值改为自己的类别数

# Ultralytics YOLO 🚀, AGPL-3.0 license
# YOLOv8 object detection model with P3-P5 outputs. For Usage examples see https://docs.ultralytics.com/tasks/detect

# Parameters
nc: 21  # number of classes
scales: # model compound scaling constants, i.e. 'model=yolov8n.yaml' will call yolov8.yaml with scale 'n'
  # [depth, width, max_channels]
  n: [0.33, 0.25, 1024]  # YOLOv8n summary: 225 layers,  3157200 parameters,  3157184 gradients,   8.9 GFLOPs
  s: [0.33, 0.50, 1024]  # YOLOv8s summary: 225 layers, 11166560 parameters, 11166544 gradients,  28.8 GFLOPs
  m: [0.67, 0.75, 768]   # YOLOv8m summary: 295 layers, 25902640 parameters, 25902624 gradients,  79.3 GFLOPs
  l: [1.00, 1.00, 512]   # YOLOv8l summary: 365 layers, 43691520 parameters, 43691504 gradients, 165.7 GFLOPs
  x: [1.00, 1.25, 512]   # YOLOv8x summary: 365 layers, 68229648 parameters, 68229632 gradients, 258.5 GFLOPs

# YOLOv8.0n backbone
backbone:
  # [from, repeats, module, args]
  - [-1, 1, Conv, [64, 3, 2]]  # 0-P1/2
  - [-1, 1, Conv, [128, 3, 2]]  # 1-P2/4
  - [-1, 3, C2f, [128, True]]
  - [-1, 1, Conv, [256, 3, 2]]  # 3-P3/8
  - [-1, 6, C2f, [256, True]]
  - [-1, 1, Conv, [512, 3, 2]]  # 5-P4/16
  - [-1, 6, C2f, [512, True]]
  - [-1, 1, Conv, [1024, 3, 2]]  # 7-P5/32
  - [-1, 3, C2f, [1024, True]]
  - [-1, 1, SPPF, [1024, 5]]  # 9

# YOLOv8.0n head
head:
  - [-1, 1, nn.Upsample, [None, 2, 'nearest']]
  - [[-1, 6], 1, Concat, [1]]  # cat backbone P4
  - [-1, 3, C2f, [512]]  # 12

  - [-1, 1, nn.Upsample, [None, 2, 'nearest']]
  - [[-1, 4], 1, Concat, [1]]  # cat backbone P3
  - [-1, 3, C2f, [256]]  # 15 (P3/8-small)

  - [-1, 1, Conv, [256, 3, 2]]
  - [[-1, 12], 1, Concat, [1]]  # cat head P4
  - [-1, 3, C2f, [512]]  # 18 (P4/16-medium)

  - [-1, 1, Conv, [512, 3, 2]]
  - [[-1, 9], 1, Concat, [1]]  # cat head P5
  - [-1, 3, C2f, [1024]]  # 21 (P5/32-large)

  - [[15, 18, 21], 1, Detect, [nc]]  # Detect(P3, P4, P5)

训练模型：在创建的yolov8环境下，hy-tmp/ultralytics/ultralytics/models/yolo/detect文件夹下运行

yolo task=detect mode=train model=yolov8.yaml data=mydata/mydata.yaml epochs=100 batch=4

以上参数解释如下：

📌task：选择任务类型，可选['detect', 'segment', 'classify', 'init']。

📌mode: 选择是训练、验证还是预测的任务蕾西 可选['train', 'val', 'predict']。

📌model: 选择yolov8不同的模型配置文件，可选yolov8s.yaml、yolov8m.yaml、yolov8x.yaml等。

📌data: 选择生成的数据集配置文件

📌epochs：指的就是训练过程中整个数据集将被迭代多少次,显卡不行你就调小点。

📌batch：一次看完多少张图片才进行权重更新，梯度下降的mini-batch,显卡不行你就调小点。

4.4断点恢复训练

假如第一次训练epoch=100，想接着训练100个epoch，下述代码epoch改为200，会接着last.pt参数再训练100个epoch。

yolo task=detect mode=train model=runs/detect/train3/weights/last.pt data=mydata/mydata.yaml epochs=200 save=True resume=True

其他断点恢复训练方式参考：yolov8断点恢复训练及减少训练次数和增加训练次数-CSDN博客

后续有遇到其他相关问题会保持更新！