目录
1.1.2运行代码(划分数据集以及转txt格式)(关于代码路径都改自己的路径!!!)
1.环境配置
1.1 前期准备
确保电脑里面安装了anaconda ,pycharm,win10/11(可用)
anaconda下载地址https://www.anaconda.com/download/
下载慢可用清华镜像站下载https://repo.anaconda.com/archive/
pycharm下载地址https://www.jetbrains.com.cn/en-us/pycharm/download/?section=windows
1.2创建虚拟环境
打开Anaconda Prompt
conda create -n YOLOv8 python=3.8 #创建YOLOv8的环境
conda activate YOLOv8 #激活环境
1.2.1安装cuda以及cudnn(gpu使用)
1.win+r打开cmd输入 nvidia-smi 查询自己电脑支持的cuda
笔者笔记本支持就是12.4(安装是只能向下兼容)笔者这里选择的是cuda11.6
cuda安装地址
CUDA Toolkit Archive | NVIDIA Developer(建议不要使用校园网访问或许会出现问题)
cudnn安装地址
cuDNN 9.2.0 Downloads | NVIDIA Developer(会让你注册账号下载,)
cudnn下载完会获得一些文件把这些文件去替换cuda安装根目录的文件即可
打开系统高级设置-环境变量-系统变量中path中添加这些变量即可(顶上的两个)
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.6\bin
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.6\libnvvp
1.2.2安装pytorch框架
在Anaconda Prompt激活你的环境并且配置源
# 添加清华源
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/
# 添加阿里云镜像源
conda config --add channels https://mirrors.aliyun.com/anaconda/pkgs/free/
conda config --add channels https://mirrors.aliyun.com/anaconda/pkgs/main/
# 添加中科大源
conda config --add channels https://mirrors.ustc.edu.cn/anaconda/pkgs/free/
conda config --add channels https://mirrors.ustc.edu.cn/anaconda/pkgs/main/
conda config --add channels https://mirrors.ustc.edu.cn/anaconda/cloud/conda-forge/
conda config --add channels https://mirrors.ustc.edu.cn/anaconda/cloud/msys2/
conda config --add channels https://mirrors.ustc.edu.cn/anaconda/cloud/bioconda/
conda config --add channels https://mirrors.ustc.edu.cn/anaconda/cloud/menpo/
# (可选)设置搜索时显示通道地址
conda config --set show_channel_urls yes
方法一用指令直接安装
pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu116
方法二 在阿里官方镜像站安装pytorch-wheels安装包下载_开源镜像站-阿里云 (aliyun.com)
找到自己对应的版本下载(cu意思是gpu版本,cp代表python版本,win代表是系统)
我的版本为torch==1.12.0+cu116,torchaudio0.12.0+cu116,torchvision0.13.0+cu116
下载完成之后在你的环境中输入pip install 加上你下载的文件地址
比如笔者的是 pip install C:\Users\hxw76\Downloads\torchvision-0.13.0+cu116-cp38-cp38-win_amd64.whl
1.2.3 安装各种需要的基本包
pip install ultralytics
pip install yolo
可以下载我的源码(要保证requiremen.txt运行目录里否则找不到报错)
如果还有什么缺少什么库,那么报错就直接pip install安装就好了,有些库的版本不能太高否则不兼容
yolo predict model=yolov8n.pt source='ultralytics/assets/bus.jpg'#检验yolov8是否能运行
训练自己的数据集(v8使用)
1.1数据集准备(jpg加xml)
1.1.2新建文件夹
在data文件夹里面新建一个datasets再在里面新建四个文件夹分别是Annotations(存放xml的文件夹),images(存放你的数据集的图片),ImageSets,labels。(笔者已经建好了,里面也是有存放的东西的,但新建的话只要按我前面说的放图片就行,如果你打算训练你自己的就把文件夹里面的内容删成我提到的一样即可)
1.1.2运行代码(划分数据集以及转txt格式)(关于代码路径都改自己的路径!!!)
运行splitDataset.py按一定比例划分数据集
import os
import random
#按比例划分数据集
#涉及路径的一定要改成自己的
trainval_percent = 0.9
train_percent = 0.9
xmlfilepath = 'D:/yolov8/ultralytics-main/ultralytics/data/datasets/Annotations'
txtsavepath = 'D:/yolov8/ultralytics-main/ultralytics/data/datasets/ImageSets'
total_xml = os.listdir(xmlfilepath)
num = len(total_xml)
list = range(num)
tv = int(num * trainval_percent)
tr = int(tv * train_percent)
trainval = random.sample(list, tv)
train = random.sample(trainval, tr)
ftrainval = open('D:/yolov8/ultralytics-main/ultralytics/data/datasets/ImageSets/trainval.txt', 'w')
ftest = open('D:/yolov8/ultralytics-main/ultralytics/data/datasets/ImageSets/test.txt', 'w')
ftrain = open('D:/yolov8/ultralytics-main/ultralytics/data/datasets/ImageSets/train.txt', 'w')
fval = open('D:/yolov8/ultralytics-main/ultralytics/data/datasets/ImageSets/val.txt', 'w')
for i in list:
name = total_xml[i][:-4] + '\n'
if i in trainval:
ftrainval.write(name)
if i in train:
ftrain.write(name)
else:
fval.write(name)
else:
ftest.write(name)
ftrainval.close()
ftrain.close()
fval.close()
ftest.close()
再运行转格式xml转txt
XMLtoTXT.py
# -*- coding: utf-8 -*-
# xml解析包
import xml.etree.ElementTree as ET
import pickle
import os
from os import listdir, getcwd
from os.path import join
#将xml文件转换成YOLO系列标准读取的txt文件
sets = ['train', 'test', 'val']
classes = ['airplane']
# 进行归一化操作
def convert(size, box): # size:(原图w,原图h) , box:(xmin,xmax,ymin,ymax)
dw = 1./size[0] # 1/w
dh = 1./size[1] # 1/h
x = (box[0] + box[1])/2.0 # 物体在图中的中心点x坐标
y = (box[2] + box[3])/2.0 # 物体在图中的中心点y坐标
w = box[1] - box[0] # 物体实际像素宽度
h = box[3] - box[2] # 物体实际像素高度
x = x*dw # 物体中心点x的坐标比(相当于 x/原图w)
w = w*dw # 物体宽度的宽度比(相当于 w/原图w)
y = y*dh # 物体中心点y的坐标比(相当于 y/原图h)
h = h*dh # 物体宽度的宽度比(相当于 h/原图h)
return (x, y, w, h) # 返回 相对于原图的物体中心点的x坐标比,y坐标比,宽度比,高度比,取值范围[0-1]
# year ='2012', 对应图片的id(文件名)
def convert_annotation(image_id):
'''
将对应文件名的xml文件转化为label文件,xml文件包含了对应的bunding框以及图片长款大小等信息,
通过对其解析,然后进行归一化最终读到label文件中去,也就是说
一张图片文件对应一个xml文件,然后通过解析和归一化,能够将对应的信息保存到唯一一个label文件中去
labal文件中的格式:calss x y w h 同时,一张图片对应的类别有多个,所以对应的bunding的信息也有多个
'''
# 对应的通过year 找到相应的文件夹,并且打开相应image_id的xml文件,其对应bund文件
in_file = open('D:/yolov8/ultralytics-main/ultralytics/data/datasets/Annotations/%s.xml' % (image_id), encoding='utf-8')
# 准备在对应的image_id 中写入对应的label,分别为
# <object-class> <x> <y> <width> <height>
out_file = open('D:/yolov8/ultralytics-main/ultralytics/data/datasets/labels/%s.txt' % (image_id), 'w', encoding='utf-8')
# 解析xml文件
tree = ET.parse(in_file)
# 获得对应的键值对
root = tree.getroot()
# 获得图片的尺寸大小
size = root.find('size')
# 如果xml内的标记为空,增加判断条件
if size != None:
# 获得宽
w = int(size.find('width').text)
# 获得高
h = int(size.find('height').text)
# 遍历目标obj
for obj in root.iter('object'):
# 获得difficult ??
difficult = obj.find('difficult').text
# 获得类别 =string 类型
cls = obj.find('name').text
# 如果类别不是对应在我们预定好的class文件中,或difficult==1则跳过
if cls not in classes or int(difficult) == 1:
continue
# 通过类别名称找到id
cls_id = classes.index(cls)
# 找到bndbox 对象
xmlbox = obj.find('bndbox')
# 获取对应的bndbox的数组 = ['xmin','xmax','ymin','ymax']
b = (float(xmlbox.find('xmin').text), float(xmlbox.find('xmax').text), float(xmlbox.find('ymin').text),
float(xmlbox.find('ymax').text))
print(image_id, cls, b)
# 带入进行归一化操作
# w = 宽, h = 高, b= bndbox的数组 = ['xmin','xmax','ymin','ymax']
bb = convert((w, h), b)
# bb 对应的是归一化后的(x,y,w,h)
# 生成 calss x y w h 在label文件中
out_file.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + '\n')
# 返回当前工作目录
wd = getcwd()
print(wd)
for image_set in sets:
'''
对所有的文件数据集进行遍历
做了两个工作:
1.将所有图片文件都遍历一遍,并且将其所有的全路径都写在对应的txt文件中去,方便定位
2.同时对所有的图片文件进行解析和转化,将其对应的bundingbox 以及类别的信息全部解析写到label 文件中去
最后再通过直接读取文件,就能找到对应的label 信息
'''
# 先找labels文件夹如果不存在则创建
if not os.path.exists('D:/yolov8/ultralytics-main/ultralytics/data/datasets/labels/'):
os.makedirs('D:/yolov8/ultralytics-main/ultralytics/data/datasets/labels/')
# 读取在ImageSets/Main 中的train、test..等文件的内容
# 包含对应的文件名称
image_ids = open('D:/yolov8/ultralytics-main/ultralytics/data/datasets/ImageSets/%s.txt' % (image_set)).read().strip().split()
# 打开对应的2012_train.txt 文件对其进行写入准备
list_file = open('D:/yolov8/ultralytics-main/ultralytics/data/datasets/%s.txt' % (image_set), 'w')
# 将对应的文件_id以及全路径写进去并换行
for image_id in image_ids:
list_file.write('D:/yolov8/ultralytics-main/ultralytics/data/datasets/images/%s.jpg\n' % (image_id))
# 调用 year = 年份 image_id = 对应的文件名_id
convert_annotation(image_id)
# 关闭文件
list_file.close()
*查看自己的标签名字(运行不运行不影响结果)
ViewCategory.py
import os
from unicodedata import name
import xml.etree.ElementTree as ET
import glob
#查看自定义数据集标签类别及数量
def count_num(indir):
label_list = []
# 提取xml文件列表
os.chdir(indir)
annotations = os.listdir('.')
annotations = glob.glob(str(annotations) + '*.xml')
dict = {} # 新建字典,用于存放各类标签名及其对应的数目
for i, file in enumerate(annotations): # 遍历xml文件
# actual parsing
in_file = open(file, encoding='utf-8')
tree = ET.parse(in_file)
root = tree.getroot()
# 遍历文件的所有标签
for obj in root.iter('object'):
name = obj.find('name').text
if (name in dict.keys()):
dict[name] += 1 # 如果标签不是第一次出现,则+1
else:
dict[name] = 1 # 如果标签是第一次出现,则将该标签名对应的value初始化为1
# 打印结果
print("各类标签的数量分别为:")
for key in dict.keys():
print(key + ': ' + str(dict[key]))
label_list.append(key)
print("标签类别如下:")
print(label_list)
if __name__ == '__main__':
# xml文件所在的目录,修改此处
indir = 'D:/yolov8/ultralytics-main/ultralytics/data/datasets/Annotations'
count_num(indir) # 调用函数统计各类标签数目
1.2运行训练代码
pychrm打开ultralytics-main选择环境(右下角设置-解释器设置-ananconda配好的yolov8环境)
打开终端输入训练代码
yolo detect train data=D:/yolov8/ultralytics-main/ultralytics/data/datasets/1.yaml model=yolov8n.yaml pretrained=ultralytics/yolov8n.pt epochs=100 batch=4 workers=2 resume=True#训练代码
yolo predict model=runs/detect/train/weights/best.pt source=insert.jpg#预测代码
yolo train resume model=D:/yolov8/ultralytics-main/runs/detect/train4/weights/last.pt epochs=100 save_period=50#继续训练
相关参数解释
训练结果如图会产生很多图如f1置信度曲线等