【YOLO】YOLOv8训练自定义数据集（4种方式）

您所在的位置：网站首页 › 数据集实例 › 【YOLO】YOLOv8训练自定义数据集（4种方式）

【YOLO】YOLOv8训练自定义数据集（4种方式）

2023-03-15 06:57| 来源: 网络整理| 查看: 265

YOLOv8 出来一段时间了，继承了分类、检测、分割，本文主要实现自定义的数据集，使用 YOLOV8 进行检测模型的训练和使用 YOLOv8 此次将所有的配置参数全部解耦到配置文件 default.yaml，不再类似于 YOLOv5，一部分在配置文件，一部分在 train.py 中

1. 运行环境

windows11 和 Ubuntu20.04（建议使用 Linux 系统）首先切换到自己建立的虚拟环境安装 pytorch

torch 1.12.0+cu116（根据自身设备而定） torchvision 0.13.0+cu116（根据自身设备而定）

安装完成后，使用 git 命令将源码克隆下来

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

参照官网，直接使用以下语句即可导入项目所需要的库

pip install ultralytics

根据官方的解释，pip 的 ultralytics 库包含了 requirements.txt中的所有库

2. 自定义数据集

我自己准备了一批熊猫、老虎的图片作为实验数据集，文件夹命名为 data （文件路径：/home/mango/ultralytics/data），对数据集进行划分后的文件夹整体目录结构如下在这里插入图片描述 images 下包含 train、val 文件夹，这两个文件夹下包含此次需要的图片信息 labels 下包含 train、val 文件夹，这两个文件夹下包含此次需要的对应图片的标注信息 test_images 下包含的是提供测试的数据集 ps：数据集形式共有3种，可根据自己实际情况采用

1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..] 3. 模型训练（四种方式）

首先在 data 文件夹下新建一个数据加载配置文件 animal.yaml

train: /home/mango/ultralytics/data//images/train val: /home/mango/ultralytics/data/images/val # number of classes nc: 2 # class names names: ['panda', 'tiger']

接下来就可以准备开始训练了打开终端，进入虚拟环境，进入yolov8的文件夹，考虑到命令行模式下下载模型可能有点慢，所以先在官方仓库下载好模型，并放入新建的 weights （文件路径：/home/mango/ultralytics/weights）目录下 YOLOv8模型仓库在这里插入图片描述

(1) 第一种方式（参数重写）

参数很多，建议查看官网文档

下面是yolov8官方给定的命令行训练/预测/验证/导出方式：

yolo task=detect mode=train model=yolov8n.pt args... classify predict yolov8n-cls.yaml args... segment val yolov8n-seg.yaml args... export yolov8n.pt format=onnx args...

最后输入以下命令即可开始训练（参数很多可以修改，建议查看官网文档，或者查看/home/mango/ultralytics/ultralytics/yolo/cfg下的 default.yaml 文件）

yolo task=detect mode=train model=weights/yolov8n.pt data=data/animal.yaml batch=16 epochs=50 imgsz=640 workers=16 device=0

在这里插入图片描述可以看到已经成功开始训练，运行生成的权重、混淆矩阵等信息存在于/home/mango/ultralytics/runs 下面

(2) 第二种方式（重写配置文件）

可以新建一个配置文件，例如：demo.yaml，参数配置内容从 /home/mango/ultralytics/ultralytics/yolo/cfg/default.yaml 复制即可或者使用命令行

yolo copy-cfg

它会自动生成一个 default_copy.yaml (目录地址：/home/mango/ultralytics/default_copy.yaml) 截取的部分参数信息如下：

# Ultralytics YOLO 🚀, GPL-3.0 license # Default training settings and hyperparameters for medium-augmentation COCO training task: detect # inference task, i.e. detect, segment, classify mode: train # YOLO mode, i.e. train, val, predict, export # Train settings ------------------------------------------------------------------------------------------------------- model: # path to model file, i.e. yolov8n.pt, yolov8n.yaml data: # path to data file, i.e. coco128.yaml epochs: 100 # number of epochs to train for patience: 50 # epochs to wait for no observable improvement for early stopping of training batch: 16 # number of images per batch (-1 for AutoBatch) imgsz: 640 # size of input images as integer or w,h save: True # save train checkpoints and predict results save_period: -1 # Save checkpoint every x epochs (disabled if < 1) cache: False # True/ram, disk or False. Use cache for data loading device: # device to run on, i.e. cuda device=0 or device=0,1,2,3 or device=cpu workers: 8 # number of worker threads for data loading (per RANK if DDP) project: # project name name: # experiment name ... ...

根据自身需求，修改相应参数，例如：修改 model、data、epochs、batch

model: weights/yolov8n.pt # path to model file, i.e. yolov8n.pt, yolov8n.yaml data: data/animal.yaml # path to data file, i.e. coco128.yaml epochs: 20 # number of epochs to train for batch: 8 # number of images per batch (-1 for AutoBatch)

然后在终端输入下列代码行命令即可开始训练

yolo cfg=default_copy.yaml

ps: 还可以使用 yolo cfg=default_copy.yaml imgsz=320 batch=8 的方式修改 imgz、batch 等参数信息在这里插入图片描述可以看到也已经成功开始训练，运行生成的权重、混淆矩阵等信息存在于/home/mango/ultralytics/runs 下面

(3) 第三种方式（python命令）

在 Python 环境中直接使用

from ultralytics import YOLO # 加载模型 # model = YOLO("yolov8n.yaml") # 从头开始构建新模型 model = YOLO("weights/yolov8n.pt") # 加载预训练模型（推荐用于训练） # Use the model results = model.train(data="data/animal.yaml", epochs=20, batch=8) # 训练模型

或者创建一个 demo.py, 将上述代码拷贝到 demo.py，然后调用 python demo.py 即可在这里插入图片描述可以看到也已经成功开始训练，运行生成的权重、混淆矩阵等信息存在于/home/mango/ultralytics/runs 下面

(4) 第四种方式（python文件调用）

进入 /home/mango/ultralytics/ultralytics/yolo 目录下，复制 animal.yaml、yolov8n.pt 到 /home/mango/ultralytics/ultralytics/yolo/v8/detect 目录，修改 /home/mango/ultralytics/ultralytics/yolo/cfg/default.yaml 的 model、data 路径及其他参数信息

# Ultralytics YOLO 🚀, GPL-3.0 license # Default training settings and hyperparameters for medium-augmentation COCO training task: detect # inference task, i.e. detect, segment, classify mode: train # YOLO mode, i.e. train, val, predict, export # Train settings ------------------------------------------------------------------------------------------------------- model: yolov8n.pt # path to model file, i.e. yolov8n.pt, yolov8n.yaml data: animal.yaml # path to data file, i.e. coco128.yaml epochs: 100 # number of epochs to train for patience: 50 # epochs to wait for no observable improvement for early stopping of training batch: 16 # number of images per batch (-1 for AutoBatch) imgsz: 640 # size of input images as integer or w,h save: True # save train checkpoints and predict results save_period: -1 # Save checkpoint every x epochs (disabled if < 1) cache: False # True/ram, disk or False. Use cache for data loading device: # device to run on, i.e. cuda device=0 or device=0,1,2,3 or device=cpu workers: 8 # number of worker threads for data loading (per RANK if DDP)

运行 train.py 在这里插入图片描述可以看到也已经成功开始训练，运行生成的权重、混淆矩阵等信息存在于/home/mango/ultralytics/yolo/v8/detect/runs 下面