YOLOV8学习笔记1

在此申明，此方法是前期自行摸索，不是常用的运行方式。刚问了厉害的人，才知道我这个方法不太好。主流方法是输入代码训练或者运行train.py训练。此篇博客的方法，也能训练，对我而言，能运行，就说好方法。但是对于之后的算法改进不太好操作，尽量还是改成运行train.py训练。具体操作，还在摸索，有结果了再写。

在此之前没有学习和训练过任何深度学习网络，所以一开始无从下手。
主要是借鉴了别人的博客：
1、pyton\yolov8安装和基础使用，训练和预测(是CPU运行的，而不是GPU，我需要的是GPU的，所以参考价值不大）。本人在之前已经配置好GPU版本的深度学习环境（配置过程），但是跟着这个链接运行，不知道为什么还是cpu训练。原因可能是我没有在安装好CUDA的虚拟环境中运行。
2、https://blog.csdn.net/m0_61395091/article/details/129642022（GPU版本的、大佬写的很好，很清楚详细）

1、下载YOLOV8官方文件

官方地址：https://github.com/ultralytics/ultralytics

2、在Pycharm中运行yolov8

用Pycharm打开工程，然后，点击file中的Settings，选择自己的有CUDA的虚拟环境（很重要）。在Terminal输入pip install ultralytics 。
不要直接安装requirements.txt里的东西，因为里面的torch是cpu版本的，而不是gpu版本，直接安装将无法使用gpu运行（是误解，在选择好虚拟环境之后，再pip install -r requirements.txt，只会安装虚拟环境中没有的模块，并不会覆盖掉自己已有的模块）

出现了WARNING: Ignore distutils configs in setup.cfg due to encoding errors.
解决办法：https://blog.csdn.net/weixin_37989267/article/details/128326603
在配置好虚拟环境之后，在Terminal输入pip install ultralytics，再安装requirements。点击右上角install requirements或者在Terminal输入pip install -r requirements.txt，将自动安装剩余的安装包，这样就能够使用GPU训练模型。

尝试运行

参考：https://blog.csdn.net/m0_61395091/article/details/129642022
新建两个文件夹，分别是weight和datasets。datasets存放数据集，weight存放权重。

datasets
    |_____images
    |        |___train //该文件夹下存放用于训练的图片
    |        |___val //该文件夹下存放验证集
    |
    |_____labels
    |        |___train //该文件夹下存放训练集标注
    |        |___val //该文件夹下存放验证集标注
    |
    |_____class.yaml

class.yaml的内容是：
因为我的数据集只有1类，所以nc: 1。它的标签是 ‘0’ , names: [ ‘0’]

train: E:\graduate study\code\yolo_moni\ultralytics-main\ultralytics-main\datasets\images\train # 训练集文件夹的路径
val: E:\graduate study\code\yolo_moni\ultralytics-main\ultralytics-main\datasets\images\val  # 验证集文件夹的路径
#你可以将验证集文件夹的路径设置成与训练集相同。这么做不会有过拟合评估，但也可以运行。
test:  # 测试集文件夹的路径，可以没有

# Classes
nc: 1  # 训练集中物品的类别数量
names: ['0']  # 训练集中物品的类别名称

weights文件夹中放权重文件。下载网址：https://github.com/ultralytics/assets/releases

在工程中新建train.py文件

from ultralytics import YOLO

model = YOLO("weights/yolov8n.pt")  # 用于迁移训练的权重文件路径

results = model.train(data="datasets/class.yaml", imgsz=320, epochs=100, batch=16, device=0, workers=0) 

报错1：

OMP: Error #15: Initializing libiomp5md.dll, but found libiomp5md.dll already initialized.
OMP: Hint This means that multiple copies of the OpenMP runtime have been linked into the program. That is dangerous, since it can degrade performance or cause incorrect results. The best thing to do is to ensure that only a single OpenMP runtime is linked into the process, e.g. by avoiding static linking of the OpenMP runtime in any library. As an unsafe, unsupported, undocumented workaround you can set the environment variable KMP_DUPLICATE_LIB_OK=TRUE to allow the program to continue to execute, but that may cause crashes or silently produce incorrect results. For more information, please see http://www.intel.com/software/products/support/.

报错2：

Process finished with exit code 3

参考：https://blog.csdn.net/peacefairy/article/details/110528012

失败，出现了新问题，大概是因为把两个.dll文件都删了，删错了，赶紧从回收站里还原文件。

OSError: [WinError 126] 找不到指定的模块。 Error loading "D:\software\anaconda3\anaconda\envs\pytorch_tensorflow\lib\site-packages\torch\lib\shm.dll" or one of its dependencies.

然后删掉其中一个libiomp5md.dll文件，解决了这个问题。

在解决了报错1之后，报错2就没了。

运行结果