yolov8如何训练自己的数据集_yolov8训练自己的数据集

提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档

---

前言

本文主要是本人在学习yolov8训练自己的数据集的记录

---

一、下载yolov8的源码

Githup ：(https://github.com/ultralytics/ultralytics)
这是下载地址，需要科学上网

二、配置环境

其实在这一步由于自己电脑配置较低，就用vscode运行云服务器了，然后后面也主要是以云服务器配置虚拟环境为主了。

在这个初始界面中进入SHH，之后就是根据vscode的提示一直确定就行
在之后就是要输入SHH的账户和密码（这里我选择的是AutoDL算力云）
在你选择了云服务器之后他会给你SHH账号和密码，粘贴复制就行
具体的可以去看：(https://www.bilibili.com/video/BV1724y1E7UW/?spm_id_from=333.1007.top_right_bar_window_history.content.click&vd_source=69c3f0219a1a87fe2720b9c0d3a7d988)
我是照着这个视频学习的

1.引入库

其实下载yolov8时里面会有一个requirements.txt文件，你首先就是要按照这个文件安装就行

pip install -r /path/flie/to/requirements.txt
1

其实这个就是避免运行pip命令时显示找不到你的requiements文件，就加一个文件路径比较好

然后就是安装

pip install ultralytics
1

一般我安装了这两个之后他还要我安装一个yolo

pip install yolo
1

就可以了
但是还有一个问题，当你运行

yolo predict model=yolov8n.pt source=ultralytics/assets/bus.jpg'
1

的时候，他也会显示
Usage: yolo [OPTIONS] COMMAND [ARGS]…
Try ‘yolo -h’ for help.

Error: No such command ‘predict’
一个报错的问题，此时你只需要

python setup.py install
1

之后就可以解决了
然后以yolo的命令方式就可以运行yolov8了

yolo predict model=yolov8n.pt source=ultralytics/assets/bus.jpg
1

2.读入数据

因为我是在网上下载的数据，所以没有什么对数据处理的经验，就单纯的说明如何使用yolov8去推理，训练，检测（以python的运行方式）

第一步
首先要处理自己数据的data.yaml文件（这个是你自己数据的yaml文件）的路径，我一般是将数据直接导入项目文件的，因为这样就可以使用相对路径，好像是这个意思吧，就是在vscode中直接复制路径修改data.yaml中的路径就行了，比较方便
像图片我就是一般复制相对路径

其中data.yaml文件（自己yaml的文件修改路径）的代码就像这样修改就行

train: mask/train/images #其实这个就是你需要修改的路径，在项目文件中复制就行
val: mask/valid/images

nc: 2 #这个是你要检测中包含的类别
names: ['mask', 'no-mask'] #这个要一一对应不能错开，不然就显示错了
1
2
3
4
5

然后就是在ultralytics\cfg\models\v8\yolov8.yaml的文件中，nc数据要改成你要测试的类别数量，像我就两个类别，就改成2了

另外一个就是ultralytics\cfg\datasets\coco128.yaml文件，也是要修改的

综上，就可以开始训练你自己的数据了
如果你需要用python去训练
就分为一下步骤（其实gothup中readme写的非常详细）
你需要创建一个.py文件

from ultralytics import YOLO

# Create a new YOLO model from scratch
model = YOLO('yolov8n.yaml') #这个就是我们之前修改的ultralytics\cfg\models\v8\yolov8.yaml，改为这个路径比较好一点

# Load a pretrained YOLO model (recommended for training)
model = YOLO('yolov8n.pt')

# Train the model using the 'coco128.yaml' dataset for 3 epochs
results = model.train(data='coco128.yaml', epochs=3) #这里的data=”修改成你自己数据的data.yaml文件路径，epochs就是训练次数

# Evaluate the model's performance on the validation set
results = model.val()

# Perform object detection on an image using the model
results = model('https://ultralytics.com/images/bus.jpg')

# Export the model to ONNX format
success = model.export(format='onnx')
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19

然后分别是val

 from ultralytics import YOLO

  model = YOLO('yolov8n.yaml')
  model.train(data='coco128.yaml', epochs=5)
  model.val()  # It'll automatically evaluate the data you trained.
1
2
3
4
5

predict

from ultralytics import YOLO
from PIL import Image
import cv2

model = YOLO("model.pt")
# accepts all formats - image/dir/Path/URL/video/PIL/ndarray. 0 for webcam
results = model.predict(source="0")
results = model.predict(source="folder", show=True) # Display preds. Accepts all YOLO predict arguments

# from PIL
im1 = Image.open("bus.jpg")
results = model.predict(source=im1, save=True)  # save plotted images

# from ndarray
im2 = cv2.imread("bus.jpg")
results = model.predict(source=im2, save=True, save_txt=True)  # save predictions as labels

# from list of PIL/ndarray
results = model.predict(source=[im1, im2])
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19

都是创建一个python文件然后复制，修改进行运行的

总结

我也不知道总结啥，这基本是我学习的路程，有啥问题大家评论一下吧，我也是第一次写，不知道咋写，就按照我学习的时间顺序来了，希望大家指正，有什么错误希望大家指点一下，我也是刚学。