商标图案大全,旺道智能seo系统,西宁建设厅培训中心网站,网页设计公司简介代码从0开始yolov8模型目标检测训练
1 大环境
首先有大环境#xff0c;即已经准备好了python、nvidia驱动、cuda、cudnn等。
2 yolov8的虚拟环境
2.1 创建虚拟环境
conda create -n yolov8 python3.102.2 激活虚拟环境
注意#xff1a;激活虚拟环境的时候#xff0c;需要清…从0开始yolov8模型目标检测训练
1 大环境
首先有大环境即已经准备好了python、nvidia驱动、cuda、cudnn等。
2 yolov8的虚拟环境
2.1 创建虚拟环境
conda create -n yolov8 python3.102.2 激活虚拟环境
注意激活虚拟环境的时候需要清楚自己创建的虚拟环境yolov8是在root权限下还是在user权限下否则当使用source activate yolov8激活环境的时候可能一直会提示Could not find conda environment: yolov5sYou can list all discoverable environments with conda info --envs
source activate yolov8
# 如果是windows的话使用
conda activate yolov8
# 关闭虚拟环境
source deactivate yolov8
# 删除虚拟环境
conda remove -n yolov8 --all
# 删除虚拟环境中的某个包
conda remove --name $yolov8 $package_name
# 添加conda的清华镜像源
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn其它普通用户和root用户权限相互切换的方法
exit
或
su user(user是自己安装时的用户名)2.3 在虚拟环境中安装yolov8的必要依赖项
进入yolov8项目的根目录下
cd MyTrain/ultralytics-main然后使用Pip在一个Python3.8环境中安装ultralytics包此环境还需包含PyTorch1.7。同时也会安装所有必要的requirements.txt。
pip install ultralytics3 准备数据集
3.1 数据集介绍
采用26058张图片标签文件是之前用标注精灵标注导出的json文件。
3.2 标签统计
统计标注文件包含的标签类别及数量如下
suv: 19843, car: 222010, van: 8538, bigtru: 11775, bus: 7733, tralight: 32538, tricycle: 9454, elec: 45199, pedes: 36552, smatru: 2281, bike: 7908, coach: 443, tank: 2659, pickup: 943, trailer: 438, mpv: 1839, car: 1354, ca r: 1, elec : 12, moto: 843, crane: 173, warm: 151644, percycle: 127, engine: 157, polic: 398, coni: 9758, pedesd: 13, van : 1, motopoli: 22, escort: 26, tralight : 1, right: 78, left: 114, stopline: 4, zebraline: 78, bull: 19, excava: 4, suv : 2, zebraliner: 1, car : 3, : 1, car : 1, ambu: 168, sanJiaoWarm: 778, suLiaoDao: 506, zhiXiang: 1248, suLiaoDai: 414, lunTai: 643, yiZi: 20, ar: 1, car: 141, bus-c: 2, elerc: 1, pedes : 1, pedesr: 3, carr: 1, bigtrur: 2, elecr: 12, suvr: 72, 上述标签类别解释上述存在的一些奇怪标签如’carr’、‘bigtrur’、pedes ‘等很显然是由于误输入’r’或空格字符导致的故在转换为yolov5的标注格式的时候需考虑在内。故采用映射如下得到标签及ID。其中标签’sanJiao Warm’, ‘suLiaoDao’, ‘zhiXiang’, ‘suLiaoDai’, ‘lunTai’, yiZi’等标签不作为训练。
{suv: 1, car: 1, van: 1, bigtru: 3, bus: 2, tralight: 9, tricycle: 6, elec: 5, pedes: 0, smatru: 3, bike: 4, coach: 2, tank: 3, pickup: 1, trailer: 3, mpv: 1, car: 1, ca r: 1, elec : 5, moto: 5, crane: 3, warm: 8, engine: 3, polic: 10, coni: 7, pedesd: 0, van : 1, motopoli: 5, escort: 3, tralight : 9, bull: 3, excava: 3, suv : 1, car : 1, car : 1, ambu: 10, ar: 1, car: 1, bus-c: 2, elerc: 5, pedes : 0, pedesr: 0, carr: 1, bigtrur: 3, elecr: 5, suvr: 1}标签重新分配如下
pedes: 0, car: 1, bus: 2, truck: 3, bike: 4, elec: 5, tricycle: 6, coni: 7, warm: 8, tralight: 9, special_vehicles: 103.3 转为yolov8的txt
yolov8的标签文件和yolov5是一样的需要归一化0-1的目标类型、 Box中心点坐标x、Box中心点坐标y、Box宽、Box高
--datasTrain
------train_list.txt # 包含训练每张图片的路径
------val_list.txt
------test_list.txt
------images
----------train # 存放训练数据集的图片.jpg
----------val
----------test
------labels
----------train # 存放训练图片对应的标签文件.txt
----------val
----------tesdatasTrain/labels/train目录下的文件示例如下为data220829_0001.jpg对应的data220829_0001.txt的前6行内容。
2 0.29427 0.33842 0.19479 0.27685
3 0.11380 0.56111 0.22760 0.43703
3 0.39479 0.41064 0.11041 0.17314
1 0.39401 0.29490 0.02760 0.06759
1 0.40729 0.25833 0.05 0.07222
1 0.61875 0.16574 0.02604 0.044444 准备训练
4.1 模型的配置文件
修改路径下的配置文件 ultralytics-main/ultralytics/yolo/cfg/default.yaml 参数以执行相应的操作train、val、test。
yolo/cfg/default.yaml 中如下参数需设置或查验与任务是否一致包含训练模式示例值
task: detect # inference task, i.e. detect, segment, classify
mode: train # YOLO mode, i.e. train, val, predict, export# Train settings -------------------------------------------------
# model 使用.pt文件是通过预训练模型
# model: ./preDetectModel/yolov8s.pt
# model 使用.yaml文件是从头开始训练使用COCO模型来预训练口罩检测不可取必须从头训练
model: D:/yolov5train/yolov8_main/ultralytics/models/v8/yolov8s.yaml
# data: path to data file, i.e. coco128.yaml
data: D:/yolov5train/yolov8_main/ultralytics/yolo/v8/detect/data/my_yolov8.yaml
epochs: 300 # number of epochs to train for
patience: 50 # epochs to wait for no observable improvement for early stopping of training
batch: 2 # number of images per batch (-1 for AutoBatch)
imgsz: 960 # size of input images as integer or w,h
save: True # save train checkpoints and predict results
save_period: 10 # Save checkpoint every x epochs (disabled if 1设为-1则禁用保存检查点)single_cls: False # train multi-class data as single-class
rect: True # support rectangular train/val if modetrain/val
resume: False # resume training from last checkpoint上述参数详解参考博客https://blog.csdn.net/weixin_45277161/article/details/131047101
其中模型的配置文件位于ultralytics-main/ultralytics/models/v8/yolov8s.yaml 该文件包含主要内容如下
# Parameters
nc: 11 # number of classesscales: # model compound scaling constants
# [depth, width, max_channels]
s: [0.33, 0.50, 1024] # YOLOv8s summary: 225 layers, 11166560 parameters, 11166544 gradients, 28.8 GFLOPs# YOLOv8.0n backbone
backbone:
# YOLOv8.0n head
head:4.2 数据的配置文件
数据集的配置文件模仿ultralytics-main/ultralytics/datasets/coco.yaml文件的写法记为my_yolov8.yaml该文件包含内容如下
# Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..]
path: D:/yolov5train/datasTrain3_More # dataset root dir
train: D:/yolov5train/datasTrain3_More/train_list.txt # train images (relative to path)
val: D:/yolov5train/datasTrain3_More/val_list.txt # val images (relative to path)
test: D:/yolov5train/datasTrain3_More/test_list.txt# Classes
names:0: pedes1: car2: bus3: truck4: bike5: elec6: tricycle7: coni8: warm9: tralight10: specialVehicle4.3 train的.py文件
其实train.py文件中的参数在ultralytics-main/ultralytics/yolo/cfg/default.yaml中如果设置好了的话就可以不用管了。如果没有设置/yolo/cfg/default.yaml的话采用如下方式启动训练否则采用4.4所述的方式启动训练命令。
ultralytics-main/ultralytics$yolo taskdetect modetrain modelmodels/v8/yolov8s.yaml data/ultralytics/yolo/v8/detect/data/my_yolov8.yaml imgsz960 batch-1 epochs300 patience50 workers4
# 同时也尽可以正确设置/yolo/cfg/default.yaml中的参数 4.4 训练命令
cd ultralytics-main/ultralytics/
yolo cfg./yolo/cfg/default.yaml
