训练自己的数据集分为4部分，先配置环境，再获取制作自己的数据集，然后修改配置训练，最后验证训练结果，附带可视化界面。yolov8训练起来较为简单，如果有其他目标检测的数据集理论上可以直接拿来用，从第3训练模型开始看，新手小白0基础建议一步一步跟着来，哪里看不懂的或者遇到哪有问题可以评论区交流或者私信问~

1. 环境配置

在训练yolov8模型前环境必须配置完成，还不会配置环境的可以看我的这篇博客

深度学习目标检测：yolov8(Ultralytics)环境配置，适合0基础小白，超详细-CSDN博客文章浏览阅读533次，点赞13次，收藏10次。深度学习目标检测yolov8小白教程环境搭建，纯新手方便理解https://blog.csdn.net/qq_67105081/article/details/137519207

环境配置完验证之后就可以获取数据集

2. 数据集获取

数据集可以使用网上公开的跟自己研究相契合的数据集，或者是搜索/拍摄自己研究所需要的图片进行标注制作成数据集，这里两种方法都详细介绍一下

2.1 网上搜索公开数据集

可以在搜索引擎上搜索或者在公开数据集的网站上搜索关键词，使用到的公开数据集网站为kaggleKaggle: Your Machine Learning and Data Science CommunityKaggle is the world’s largest data science community with powerful tools and resources to help you achieve your data science goals.https://www.kaggle.com/比如这里做一个安全帽检测的研究，就可以在搜索框输入安全帽的英文（因为是英文网站，都需要翻译成英文后搜索）Safety helmet

搜索后就可以找到相关的内容，点击datasets筛选数据集，下载几个看一下数据集是否为目标检测的数据格式，一般文件夹为JPEGImages和Annotations包含这两个就可以使用

点开一个后点击download即可下载。

若是下载到分割数据集，即json格式的标注可以看我的这篇文章转为txthttps://blog.csdn.net/qq_67105081/article/details/138123877https://blog.csdn.net/qq_67105081/article/details/138123877

2.2 自制数据集

自制数据集需要先获取一定数量的目标图片，可以拍摄或者下载，图片足够之后使用标注工具Labelimg进行标注

2.2.1 Labelimg安装

使用Labelimg建议使用python3.10以下的环境，这里创建一个python3.8的虚拟环境，不会创建的可以去看我这篇博客点击这里

conda create -n labelimg python=3.8

这里创建完之后进入labelimg环境

conda activate labelimg

进入labelimg环境之后通过pip下载labelimg（需要关闭加速软件）

pip install labelimg -i https://pypi.tuna.tsinghua.edu.cn/simple

安装完成之后就可以使用

2.2.2 Labelimg使用

在使用labelimg之前，需要准备好数据集存放位置，这里推荐创建一个大文件夹为data，里面有JPEGImages、Annotations和classes.txt，其中JPEGImages文件夹里面放所有的图片，Annotations文件夹是将会用来对标签文件存放，classes.txt里存放所有的类别，每种一行

classes.txt里存放所有的类别，可以自己起名，需要是英文，如果有空格最好用下划线比如no_hat

上述工作准备好之后，在labelimg环境中cd到data目录下，如果不是在c盘需要先输入其他盘符+:

例如d: 回车之后再输入文件路径，接着输入以下命令打开labelimg

labelimg JPEGImages classes.txt

打开软件后可以看到左侧有很多按钮，open dir是选择图片文件夹，上面选过了

点击change save dir 切换到Annotations目录之中，点击save下面的图标切换到pascal voc格式

切换好之后点击软件上边的view，将 Auto Save mode（切换到下一张图会自动保存标签）和Display Labels（显示标注框和标签）保持打开状态。

常用快捷键：

A：切换到上一张图片

D：切换到下一张图片

W：调出标注十字架

del ：删除标注框

例如，按下w调出标注十字架，标注完成之后选择对应的类别，这张图全部标注完后按d下一张

所有图像标注完成后数据集即制作完成。

2.3 数据集转换及划分

2.3.1 数据集VOC格式转yolo格式

如何查看自己数据集格式，打开Annotations文件夹，如果看到文件后缀为.xml，则为VOC格式，如果文件后缀为.txt则为yolo格式，后缀名看不到请搜索如何显示文件后缀名。yolov8训练需要转为yolo格式训练，转换代码如下：


import xml.etree.ElementTree as ET
import pickle
import os
from os import listdir, getcwd
from os.path import join
 
 
def convert(size, box):
    x_center = (box[0] + box[1]) / 2.0
    y_center = (box[2] + box[3]) / 2.0
    x = x_center / size[0]
    y = y_center / size[1]
    w = (box[1] - box[0]) / size[0]
    h = (box[3] - box[2]) / size[1]
    return (x, y, w, h)
 
 
def convert_annotation(xml_files_path, save_txt_files_path, classes):
    xml_files = os.listdir(xml_files_path)
    print(xml_files)
    for xml_name in xml_files:
        print(xml_name)
        xml_file = os.path.join(xml_files_path, xml_name)
        out_txt_path = os.path.join(save_txt_files_path, xml_name.split('.')[0] + '.txt')
        out_txt_f = open(out_txt_path, 'w')
        tree = ET.parse(xml_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
            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))
            # b=(xmin, xmax, ymin, ymax)
            print(w, h, b)
            bb = convert((w, h), b)
            out_txt_f.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + '\n')
 
 
if __name__ == "__main__":
    # 需要转换的类别，需要一一对应
    classes1 = ['hat','nohat']
    # 2、voc格式的xml标签文件路径
    xml_files1 = r'f:\data\Annotations'
    # 3、转化为yolo格式的txt标签文件存储路径
    save_txt_files1 = r'f:\data\labels'
 
    convert_annotation(xml_files1, save_txt_files1, classes1)

需要自行将类别替换，这里顺序要记住，文件夹也对应替换

2.3.2 数据集划分

训练自己的yolov8检测模型，数据集需要划分为训练集、验证集和测试集，这里提供一个参考代码,划分比例为8：1：1，也可以按照自己的比例划分


import os
import shutil
import random
 
random.seed(0)
 
 
def split_data(file_path,xml_path, new_file_path, train_rate, val_rate, test_rate):
    each_class_image = []
    each_class_label = []
    for image in os.listdir(file_path):
        each_class_image.append(image)
    for label in os.listdir(xml_path):
        each_class_label.append(label)
    data=list(zip(each_class_image,each_class_label))
    total = len(each_class_image)
    random.shuffle(data)
    each_class_image,each_class_label=zip(*data)
    train_images = each_class_image[0:int(train_rate * total)]
    val_images = each_class_image[int(train_rate * total):int((train_rate + val_rate) * total)]
    test_images = each_class_image[int((train_rate + val_rate) * total):]
    train_labels = each_class_label[0:int(train_rate * total)]
    val_labels = each_class_label[int(train_rate * total):int((train_rate + val_rate) * total)]
    test_labels = each_class_label[int((train_rate + val_rate) * total):]
 
    for image in train_images:
        print(image)
        old_path = file_path + '/' + image
        new_path1 = new_file_path + '/' + 'train' + '/' + 'images'
        if not os.path.exists(new_path1):
            os.makedirs(new_path1)
        new_path = new_path1 + '/' + image
        shutil.copy(old_path, new_path)
 
    for label in train_labels:
        print(label)
        old_path = xml_path + '/' + label
        new_path1 = new_file_path + '/' + 'train' + '/' + 'labels'
        if not os.path.exists(new_path1):
            os.makedirs(new_path1)
        new_path = new_path1 + '/' + label
        shutil.copy(old_path, new_path)
 
    for image in val_images:
        old_path = file_path + '/' + image
        new_path1 = new_file_path + '/' + 'val' + '/' + 'images'
        if not os.path.exists(new_path1):
            os.makedirs(new_path1)
        new_path = new_path1 + '/' + image
        shutil.copy(old_path, new_path)
 
    for label in val_labels:
        old_path = xml_path + '/' + label
        new_path1 = new_file_path + '/' + 'val' + '/' + 'labels'
        if not os.path.exists(new_path1):
            os.makedirs(new_path1)
        new_path = new_path1 + '/' + label
        shutil.copy(old_path, new_path)
 
    for image in test_images:
        old_path = file_path + '/' + image
        new_path1 = new_file_path + '/' + 'test' + '/' + 'images'
        if not os.path.exists(new_path1):
            os.makedirs(new_path1)
        new_path = new_path1 + '/' + image
        shutil.copy(old_path, new_path)
 
    for label in test_labels:
        old_path = xml_path + '/' + label
        new_path1 = new_file_path + '/' + 'test' + '/' + 'labels'
        if not os.path.exists(new_path1):
            os.makedirs(new_path1)
        new_path = new_path1 + '/' + label
        shutil.copy(old_path, new_path)
 
 
if __name__ == '__main__':
    file_path = r"f:\data\JPEGImages"
    txt_path = r'f:\data\labels'
    new_file_path = r"f:\VOCdevkit"
    split_data(file_path,txt_path, new_file_path, train_rate=0.8, val_rate=0.1, test_rate=0.1)

划分完成之后数据集的准备工作就好了。

3. 训练模型

需要下载源码，这里选择的是yolov8 v8.1.0版本的，最新版本随时更新容易出bug

不会下载源码的可以看我的这篇博客点击这里，也可以点击链接获取点击链接下载（0积分下载），我这里把源码和预训练权重yolov8n.pt和yolov8s.pt一起打包上传了。

有了源码之后需要修改里面的参数，导入自己的数据集

3.1 创建data.yaml

在yolov8根目录下（也就是本文所用的ultralytics-8.1.0目录下）创建一个新的data.yaml文件，也可以是其他名字的例如hat.yaml文件，文件名可以变但是后缀需要为.yaml，内容如下


train: f:/VOCdevkit/train/images  # train images (relative to 'path') 128 images
val: f:/VOCdevkit/val/images  # val images (relative to 'path') 128 images
test: f:/VOCdevkit/test/images
 
nc: 2
 
# Classes
names: ['hat','nohat']

其他路径和类别自己替换，需要和上面数据集转换那里类别顺序一致。

3.2 训练模型

这是使用官方提供的预训练权重进行训练，使用yolov8n.pt，也可以使用yolov8s.pt，模型大小n<s<m<l<x，训练时长成倍增加。

下载完成之后放入ultralytics-8.1.0根目录中，创建一个yolov8_train.py文件，内容如下


from ultralytics import YOLO
#多线程添加代码
if __name__ == '__main__': 
    # 加载一个模型 ,workers=8
    model = YOLO('ultralytics/cfg/models/v8/yolov8n.yaml')  # 从YAML建立一个新模型
    model.load('yolov8n.pt')
 
    # # 训练模型
    results = model.train(data='data.yaml',
                      epochs=100, imgsz=640, device=0, workers=8, batch=64, cache=True)

这里用哪个模型对应哪个yaml，如果使用yolov8s.pt则对应yolov8s.yaml

epochs是训练轮数，可以由少变多看训练效果，workers和batch根据电脑性能来，如果运行不起来则相应降低，最好为2的n次方

也可以使用命令行执行训练

yolo task=detect mode=train model=yolov8n.yaml pretrained=yolov8n.pt data=data.yaml epochs=300 imgsz=640 device=0 workers=8 batch=64

训练过程如图，耐心等待训练完成即可，训练完成后会生成.pt权重文件，可以用来验证训练效果。

4. 模型测试

找到之前训练的结果保存路径，创建一个yolov8_predict.py文件，内容如下


from ultralytics import YOLO
# 加载训练好的模型，改为自己的路径
model = YOLO('runs/detect/train/weights/best.pt')
# 修改为自己的图像或者文件夹的路径
source = 'test1.jpg'
# 运行推理，并附加参数
model.predict(source, save=True)

运行后就会得到预测模型结果

或者使用命令行指令进行预测，权重和图片路径自己修改

yolo predict model=runs/detect/train/weights/best.pt source='test1.jpg'

可以打开对应路径下查看预测的图片效果，模型就训练好啦~

5. 可视化界面

很多同学的需求是制作出一个可视化界面来展示预测的效果，这里我分享了一个简单的图片预测的界面，导入模型权重文件和图片就可以进行预测并展示，可以参考这篇文章点击这里，界面如下

这个版本功能较为简单，只有图片检测显示

写了一个进阶版，可以对图片，视频和实时摄像头进行检测并展示，界面如下。感兴趣可以私聊

可以点击按钮显示检测到的物体及个数

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/木道寻08/article/detail/995573