赞
踩
1.为打开网页流畅,建议准备梯子,打开Github等网站时会明显加快
2.准备Anaconda,可参考其他博主文章下载
- -- 创建环境
- conda create -n yolov8 python=3.9
-
- -- 激活环境
- conda activate yolov8
pip config set install.trusted-host mirrors.aliyun.com
pip install ultralytics
(1)推荐yolov8s.pt或者yolov8n.pt,模型小,下载快(用梯子)
(2)下载完成后,将模型放在ultralytics-main文件夹下
(1)在环境中打开项目ultralytics-main:
① 在Anaconda Prompt中cd到ultralytics-main目录下
② 在Pycharm终端直接打开
(2)运行以下指令:
yolo predict model=yolov8n.pt source='ultralytics/assets/bus.jpg'
(3)若运行成功会在D:\ultralytics-main下生成\runs\detect\predict,且文件中会包含一张照片
(1)在ultralytics-main目录下新建data文件夹;
(2)再在data目录下新建四个文件夹:Annotations文件夹,images文件夹,ImageSets文件夹,labels文件夹
(1)将准备好的图片以.jpg的格式放入images文件夹中
(2)利用labelimg进行标注后将生成的.xml文件保存至Annotations文件夹中
(1)在ultralytics-main目录下创建一个split_train_val.py文件;
(2)运行文件之后会在imageSets文件夹下将数据集划分为训练集train.txt、验证集val.txt、测试集test.txt,里面存放的就是用于训练、验证、测试的图片名称,代码内容如下:
- import os
- import random
-
-
- trainval_percent = 0.9
- train_percent = 0.9
- xmlfilepath = 'data/Annotations'
- txtsavepath = 'data/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('data/ImageSets/trainval.txt', 'w')
- ftest = open('data/ImageSets/test.txt', 'w')
- ftrain = open('data/ImageSets/train.txt', 'w')
- fval = open('data/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()
(1)在ultralytics-main目录下创建一个voc_label.py文件
(2)运行后会生成转换后labels文件夹下图片的txt文件,还会在data文件夹下得到三个包含数据集路径的txt文件,train.tx,test.txt,val.txt这3个txt文件为划分后图像所在位置的绝对路径
(3)代码内容如下:
- import xml.etree.ElementTree as ET
- import os
- from os import getcwd
-
- sets = ['train', 'val', 'test']
- classes = ['填写自己的类别']
- abs_path = os.getcwd()
- print(abs_path)
-
-
- 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('data/Annotations/%s.xml' % (image_id), encoding='UTF-8')
- out_file = open('data/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
- difficult = obj.find('difficult').text
- cls = obj.find('name').text
- if cls not in classes or int(difficult) == 1:
- 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))
- b1, b2, b3, b4 = b
- # 标注越界修正
- if b2 > w:
- b2 = w
- if b4 > h:
- b4 = h
- b = (b1, b2, b3, b4)
- 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('data/labels/'):
- os.makedirs('data/labels/')
- image_ids = open('data/ImageSets/%s.txt' % (image_set)).read().strip().split()
- list_file = open('data/%s.txt' % (image_set), 'w')
- for image_id in image_ids:
- list_file.write(abs_path + '/data/images/%s.jpg\n' % (image_id))
- convert_annotation(image_id)
- list_file.close()
在ultralytics-main目录下创建 wheat.yaml,代码内容如下:
- train: D:/ultralytics-main/data/train.txt
- val: D:/ultralytics-main/data/val.txt
- test: D:/ultralytics-main/data/test.txt
-
- nc: 5 # 填写类别数
-
- names: ["填写自己的类别"]
-
- # train,val,test的路径根据自己情况而定
(1)具体网站(用梯子):Previous PyTorch Versions | PyTorch 选择找到与cpu相关的pip指令,例如:
(2)在conda创建的yolov8环境中输入找到的pip指令,等待下载完成即可
(1)同样先在环境中打开项目ultralytics-main(参考二、5.(1))
(2)运行训练指令:
yolo train data=data/data.yaml model=yolov8s.pt epochs=300 imgsz=640 batch=8 workers=0 device=cpu
data为yaml配置文件,后边填写你的配置文件的绝对路径
model为下载的预训练模型,在主文件下
epochs为训练轮数
imagez为训练时ai看到的图片大小,检查大图片建议使用640,小图片可以320 越大越吃性能
batch为一轮训练中每一次放入图片数量,越大越快效果越好,但是对性能要求越高
device为使用的设备,使用cpu练就写cpu,使用显卡大多数都是0,多显卡就0,1,2...多少显卡往后写多少
(1)点击键盘 win + i ,输入cmd,敲击回车
(2)输入以下指令:
nvidia-smi
(3)显示出以下内容说明系统已安装CUDA:
eg:若未显示此界面,则去CUDA官网下载与系统兼容版本
(1)只能下载 <= CUDA Version的pytorch版本,这里我们选择找到pip相关指令
(2)具体网站:(用梯子)Previous PyTorch Versions | PyTorch
(3) 在conda创建的yolov8环境中输入找到的pip指令,等待下载完成即可
(1)在环境中打开项目ultralytics-main(参考二、5.(1))
(2)输入指令查看torch是否为gpu版本:
pip list
如下图, torch那行对应的torch版本,例如这样就是cpu版本,需要去下载相关torch的gpu版本
(3)打开网址:http://download.pytorch.org/whl/torch_stable.htmlhttp://download.pytorch.org/whl/torch_stable.html
cu121/表示你在教程【GPU】1.当中官网上下载的cuda版本
torch-2.2.2%2Bcu121/表示刚才在pip list中查看的torch的版本
cp312-cp312表示你yolov8的环境python版本,如果按我的教程来的话为3.9
win-amd64.whl简而言之就是windows系统
① 按照上述要求找到你需要的下载链接点进去
② 在D盘新建一个文件夹D:\torch_gpu,保存在其中
③ 在项目环境中输入指令:(后面的路径为你whl所保存的位置)
pip install D:\torch_gpu\torch-2.2.2+cu121-cp39-cp39-win_amd64.whl
(4)检验是否安装成功:
① 在环境中打开项目ultralytics-main(参考二、5.(1))
② 输入指令:
pip list
--------------------------------出现+cu+你的cuda版本型号即为安装成功----------------------------------------
(1)参考【CPU】1--5
(2) 同样先在环境中打开项目ultralytics-main(参考二、5.(1))
(3)运行以下指令:
yolo train data=data/wheat.yaml model=yolov8s.pt epochs=300 imgsz=640 batch=8 workers=0 device=0
data为yaml配置文件,后边填写你的配置文件的绝对路径
model为下载的预训练模型,在主文件下
epochs为训练轮数
imagez为训练时ai看到的图片大小,检查大图片建议使用640,小图片可以320 越大越吃性能
batch为一轮训练中每一次放入图片数量,越大越快效果越好,但是对性能要求越高
device为使用的设备,使用cpu练就写cpu,gpu使用显卡大多数都是0,多显卡就0,1,2,3,...多少显卡往后写多少
eg :红色框内部分为自己添加的部分,runs文件夹的生成参考二、6.(3)
① 在conda创建新环境labelimg,指令如下:
conda create -n labelimg python=3.9
② 激活lalelimg环境,指令如下:
conda activate labelimg
③ 在此环境下安装labelimg,指令可如下:
- pip install labelimg -i https://pypi.tuna.tsinghua.edu.cn/simple #不推荐,会出现依赖缺失或者版本不匹配问题
-
- pip install labelimg #推荐用此方法安装
eg:以一种方式安装即可
④ 打开labelimg,指令如下:
labelimg
① 打开labelimg:
② 使用介绍:
③ 与三、3.数据集划分相关步骤:
Ⅰ选择PascalVOC(即.xml格式)
Ⅱ 点击Open Dir打开文件夹D:\ultralytics-main\data\images中的.jpg格式的图片
Ⅲ Change Save Dir选择文件夹D:\ultralytics-main\data\Annotations
Ⅳ 打好标签以后若先前勾选View-Auto Save mode选项即可自动保存
我使用的是Pycham2024.1版本,截止2024.4最新版本,解释器选择的conda环境,如下
找到Anaconda目录下的\Library\bin\conda.bat,然后加载环境选择yolov8即可,如下
Copyright © 2003-2013 www.wpsshop.cn 版权所有,并保留所有权利。