当前位置:   article > 正文

YOLOv8-Pose训练自己的数据集_yolov8pose 训练

yolov8pose 训练

目录

0、引言

1、环境准备

2、数据集准备

2.1、创建数据集存放的文件夹

2.2 准备用于YOLOv8-Seg训练的txt

2.2.1 将COCO数据集json格式文件转换成YOLOv8-Pose格式的txt

2.2.2 将自己标注的数据转换成YOLOv8-Pose格式的txt

3、创建配置文件

3.1、设置myposedata.yaml

3.2、设置yolov8s-pose.yaml

4、进行训练

5、验证模型

6、总结


0、引言

本文是使用YOLOv8-Pose训练自己的数据集,数据集包含COCO数据集以及自己标注的人体姿态数据集。

1、环境准备

可以参考这篇博客:深度学习环境搭建-CSDN博客

本文环境:

  • Windows10
  • python:3.10
  • cuda:11.6
  • pytorch:1.12.0
  • torchvision:0.13.0

2、数据集准备

2.1、创建数据集存放的文件夹

  1. Posedata
  2. ______images
  3. ____________train
  4. _________________001.jpg
  5. ____________val
  6. _________________002.jpg
  7. ______labels
  8. ____________train
  9. _________________001.txt
  10. ____________val
  11. _________________002.txt

本人的数据都存放在Posedata文件夹中(自定义命名)

目录结构如下:images存放训练集和验证集图片,labels存放训练集和验证集txt

2.2 准备用于YOLOv8-Seg训练的txt

2.2.1 将COCO数据集json格式文件转换成YOLOv8-Pose格式的txt

从官网下载CoCo数据集的json文件

具体步骤参考我的这篇博客:将CoCo数据集Json格式转成训练Yolov8-Pose姿态的txt格式-CSDN博客

2.2.2 将自己标注的数据转换成YOLOv8-Pose格式的txt

具体步骤参考我的这篇博客:将labelme标注的人体姿态Json文件转成训练Yolov8-Pose的txt格式-CSDN博客

将COCO转化得到的数据和自己的数据集合并即可,这样就得到了可用于训练的数据,train中存放训练数据,val存放验证集。

3、创建配置文件

3.1、设置myposedata.yaml

根据自己的数据集位置进行修改和配置

  1. # 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, ..]
  2. path: G:\Yolov8\ultralytics-main\datasets\myposedata\Posedata # dataset root dir
  3. train: images/train # train images (relative to 'path') 4 images
  4. val: images/val # val images (relative to 'path') 4 images
  5. test: # test images (optional)
  6. # Keypoints
  7. kpt_shape: [17, 3] # number of keypoints, number of dims (2 for x,y or 3 for x,y,visible)
  8. flip_idx: [0, 2, 1, 4, 3, 6, 5, 8, 7, 10, 9, 12, 11, 14, 13, 16, 15]
  9. # Classes
  10. names:
  11. 0: person

3.2、设置yolov8s-pose.yaml

根据自己想使用的权重进行选择,我这里采用的是yolov8s-pose.pt进行训练。

  1. # Ultralytics YOLO
    声明:本文内容由网友自发贡献,不代表【wpsshop博客】立场,版权归原作者所有,本站不承担相应法律责任。如您发现有侵权的内容,请联系我们。转载请注明出处:https://www.wpsshop.cn/w/AllinToyou/article/detail/85053
    推荐阅读
    相关标签