yolov8实战第二天——yolov8训练结果分析（保姆式解读）-CSDN博客
YOLOv8是一种基于深度神经网络的目标检测算法，它是YOLO（You Only Look Once）系列目标检测算法的最新版本。YOLOv8的主要改进包括：
-
更高的检测精度：通过引入更深的卷积神经网络和更多的特征层，YOLOv8可以在保持实时性的同时提高检测精度。
-
更快的检测速度：通过对模型进行优化，YOLOv8可以在不降低检测精度的情况下提高检测速度。
-
支持更多的检测任务：除了传统的物体检测任务之外，YOLOv8还支持人脸检测、车辆检测等更多的检测任务。
YOLOv8是一个非常强大的目标检测算法，它在准确性、速度和易用性方面都具有很大的优势，因此在工业界和学术界都受到了广泛的关注和应用。
一、yolov8部署
说明：请严格安装部署步骤。
第一步、显卡驱动查看 nvidia-smi
第二步、yolo8代码下载
https://github.com/ultralytics/ultralytics
第三步、cuda及cudnn安装
https://developer.nvidia.com/cuda-toolkit-archive
https://developer.nvidia.com/rdp/cudnn-archive
第四步、安装anaconda
https://www.anaconda.com/download环境变量设置（安装在哪里就找那个路径）：
第五步、创建python环境
conda create -n yolo python==3.11 conda环境操作指南：
查看现有环境 conda env list
激活失败 conda init cmd.exe
删除环境 conda env remove -n yolo
第六步、激活环境
一定要选择命令提示符。
activate yolo以后每次使用都要激活该环境。
第七步、安装pytorch
https://pytorch.org/
我是cuda12.0，所以安装cuda11.8版本。
conda install pytorch torchvision torchaudio pytorch-cuda=11.8 -c pytorch -c nvidia
第八步、安装库
pip install ultralytics -i https://pypi.tuna.tsinghua.edu.cn/simple
第九步、推理检测
yolo predict model=yolov8n.pt source=bus.jpg图片名自己设置，自动下载模型yolov8n.pt，结果在runs文件夹中。
第十步、训练
yolo train data=coco128.yaml model=yolov8n.pt epochs=10 lr0=0.01自动训练下载数据集datasets，报错，设置安装anaconda所在盘的虚拟内存。
二、yolov8训练自己的数据集
第一步、数据准备
在yolov8中建立datasets文件夹，然后建立数据集文件夹mydata。
mydata中是imges图片文件和label标注后的Annotations xml文件夹和imageSets。
其中使用makeTxt.py,给数据分类trian val test。
import os
import random
trainval_percent = 0.1
train_percent = 0.9
xmlfilepath = './Annotations'
txtsavepath = './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('./ImageSets/trainval.txt', 'w')
ftest = open('./ImageSets/test.txt', 'w')
ftrain = open('./ImageSets/train.txt', 'w')
fval = open('./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:
ftest.write(name)
else:
fval.write(name)
else:
ftrain.write(name)
ftrainval.close()
ftrain.close()
fval.close()
ftest.close()
运行后ImageSets文件夹生成四个txt。
再使用voc_label.py,将数据转换成label格式。修改自己的类，逗号隔开，我训练的就一个“老鼠”类。
import xml.etree.ElementTree as ET
import pickle
import os
from os import listdir, getcwd
from os.path import join
sets=[('train'), ('test'),('val')]
classes = ["mouse"]
def convert(size, box):
dw = 1./(size[0])
dh = 1./(size[1])
x = (box[0] + box[1])/2.0 - 1
y = (box[2] + box[3])/2.0 - 1
w = box[1] - box[0]
h = box[3] - box[2]
x = x*dw
w = w*dw
y = y*dh
h = h*dh
return (x,y,w,h)
def convert_annotation(image_id):
in_file = open('Annotations/%s.xml'%(image_id))
out_file = open('labels/%s.txt'%( image_id), 'w')
tree=ET.parse(in_file)
root = tree.getroot()
size = root.find('size')
w = int(size.find('width').text)
h = int(size.find('height').text)
for obj in root.iter('object'):
# difficult = obj.find('difficult').text
cls = obj.find('name').text
# if cls not in classes or int(difficult)==1:
if cls not in classes:
continue
cls_id = classes.index(cls)
xmlbox = obj.find('bndbox')
b = (float(xmlbox.find('xmin').text), float(xmlbox.find('xmax').text), float(xmlbox.find('ymin').text), float(xmlbox.find('ymax').text))
bb = convert((w,h), b)
out_file.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + '\n')
wd = getcwd()
for image_set in sets:
if not os.path.exists('labels/'):
os.makedirs('labels/')
image_ids = open('ImageSets/%s.txt'%(image_set)).read().strip().split()
list_file = open('%s.txt'%(image_set), 'w')
for image_id in image_ids:
list_file.write('%s/images/%s.jpg\n'%(wd,image_id))
convert_annotation(image_id)
list_file.close()
#os.system("cat 2008_train.txt > train.txt")
#os.system("cat 2008_train.txt 2008_val.txt > train.txt")
#os.system("cat 2008_train.txt 2008_val.txt 2008_test.txt> train.txt")
#os.system("cat 2014_train.txt 2014_val.txt 2012_train.txt 2012_val.txt > train.txt")
#os.system("cat 2007_train.txt 2007_val.txt 2007_test.txt 2012_train.txt 2012_val.txt > train.all.txt")
运行后生成labels文件夹和三个txt。
至此数据准备工作完成，开始训练。
第二步、训练
建立一个yaml文件
shu.yaml
train: datasets/mydata/train.txt
val: datasets/mydata/val.txt
# Classes
names:
0: mouse训练指令：
yolo train data=shu.yaml model=yolov8n.pt epochs=100 lr0=0.01
至此训练完成。 在runs中生成训练结果和训练模型。
训练结果分析：yolov8实战第二天——yolov8训练结果分析（保姆式解读）-CSDN博客
第三步、测试
使用训练后的模型进行测试。
测试指令：
yolo predict model=runs/detect/train12/weights/best.pt source=datasets/mydata/images/mouse-4-6-0004.jpg
