YOLOv8分类识别训练配置详细_yolov8 二分类

目标：

实现自己的图像分类算法模型训练，应用。

• 掌握数据集配置方式；
• 掌握训练、预测命令语句
• 掌握训练结果分析

---

学习内容：

1.图像分类数据集配置方式

例如：

1. 制作一个表情分类数据集。

# 0 - 6 文件夹分别label为：
# angry ，disgust ，fear ，happy ，sad ，surprise ，neutral
#0，1， 2，3 ，4 ， 5 ， 6
1
2
3

保存文件形式如下：

每一个数字标签文件夹里面是面部表情图片。文件夹命名为分类类名，多少个类别就有多少个文件夹，不用配置额外的data-yaml.

2.yolov8训练图像分类算法模型

注意，此处数据与分割，检测，关键点算法的数据输入yaml不同.data=数据集文件夹地址imageFER（根据自己存放地址而变）result = model.train(data='D:/xxx/Datasets/datasetFER2024/imagesFER'-----。

# Begin to show your code!
import torch
from ultralytics import YOLO

device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")


def trainModel(mode_pt=None):
    if mode_pt is None:
        # model = YOLO(model=r'D:/xxx/Models/yolov8/classify/yolov8m-cls.pt')  # 加载预训练模型方法导入分类模型参数
        model = YOLO('yolov8m-cls.yaml').load('yolov8m-cls.pt') # 在线下载预训练模型，加载训练方式
    else:
        model = YOLO(model=mode_pt)  # 加载待优化模型
    model.to(device)
    result = model.train(data='D:/xxx/Datasets/datasetFER2024/imagesFER', epochs=100, batch=32, single_cls=False, imgsz=224, workers=0)


if __name__ == "__main__":
    mode_pt = r'D:/xxx/Models/yolov8/classify/yolov8m-cls.pt'
    trainModel()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20

imgsz=224，可根据数据集图像大小的均值设定一个尺寸imgsz。

注意：# 加载预训练模型方法导入分类模型参数,可能因为自行下载的YOLOv8-cls.pt预训练模型文件有问题，会报bugModuleNotFoundError: No module named ‘ultralytics.utils‘,建议使用在线下载最新模型。

3.掌握训练结果分析
根据损失函数，精确度曲线，调整参数或新增数据均衡类别。

---

学习产出：

完成表情分类识别算法模型： FER,Facial expression recognition表情识别算法模型

1. 测试检测效果。

 ferRes = model.predict(source=r"D:/xx/Datasets/datasetFER2024/test/", save=True)
1

测试结果以概率从高到低排列可能的结果。

2. 预测结果分析
首先，debug程序，在预测打印结果位置打个断点，查看模型预测图像文件夹的输出—ferRes :

然后，选择一个图片输出结果打开。

probs保存了预测结果。top1为得分最高的分类结果。top5为得分前五的类别列表，且按置信度得分由高到低排列。

训练的时候，你也许注意到了loss后面有Top1Acc和Top5Acc.（Top5Acc表示预测概率前5个中有一个正确，就算预测正确的概率）