yolov8使用Python训练识别_yolov8 python 训练

环境要求:根据《yolov8训练环境搭建》搭建好运行环境
参考文献:
    1、yolo官方文档python版本：
    https://docs.ultralytics.com/usage/python/
    
    2、github文档
    https://github.com/ultralytics/ultralytics/blob/main/README.zh-CN.md
    
    3、标定源数据的生成 使用labelImg来标定类别,输出选择Yolo
    labelImg的使用文档
    https://blog.csdn.net/klaus_x/article/details/106854136
    
一、文档说明：
    1、datasets 自定义数据集目录
    datasets
    ├─ test 用于测试的源数据
    │    ├─ images
    │    └─ labels
    ├─ train 用于训练的源数据
    │    ├─ images
    │    └─ labels
    ├─ valid 用于校验的源数据
    │    ├─ images
    │    └─ labels
    └─ data.yaml (1、test，train，val：分别对应上面文件夹中images的绝对路径。
                  2、names：指定为需要识别的类型，注意这里的顺序必须和标定源文件中的缺陷类型顺序一致。 
                  3、nc：names中类别的数量。)
    
    2、env 存放用到的环境校验和数据集生成脚本
     a、checkEnv.py 环境检验脚本
     b、createDatasets.py 数据集脚本 使用时只需修改源路径
        image_dir：源标定文件的img位置
        label_dir：源标定文件的labels位置
    
    3、train.py 训练脚本
     pt：指定模型
        从头开始训练时设置为yolov8n.pt次数加载基础库开始构建模型
        叠加训练时指定需要被叠加的模型
     out：训练输出的目录名 最终的输出目录在当前路径的./runs/detect中
     isRseume：续训开关，不叠加训练时建议设为ture断续后可以使用continueTrain继续训练
     
     叠加训练：当模型训练完成后如果对结果不满意可以在加载训练完的best.pt继续使用doTrain进行叠加训练,注意的叠加训练不能使rseume
    
    4、predit.py 识别脚本
     srcFile：需要识别的源图路径
     outFile：输出识别的结果
     pt：指定上面自己训练输出的best.pt的绝对路径
     
     startPredict 线性的训练FPS统计包含了加载图像、识别、存图
     startPredictByThread 统计FPS只计算识别，不存图

二、源码：

     《自定义数据集训练和识别》

       1、开始训练： 搭建好环境后进入yv8下修改./datasets/data.yaml中的路径和类别，运行./train.py（源码需要打开doTrain的注释，关闭continueTrain）就可以开始训练了结果在./runs/detect/test下。如果需要其他操作自行参看main的注释开起对应功能。

        2、分析：运行./predit.py，自行指定srcFile和outFile,分析结果输出在outFile。如果需要其他操作自行参看main的注释开起对应功能。