YOLOv8代码复现

---

环境配置

服务器配置最终结果：

环境中部分安装包列表：

1、安装requestment.txt需求包

2、pip install yolo

3、pip install ultralytics

4、终端命令：python setup.py develop (这一步是为了使后续更改后的本地模型生效)

---

数据集准备

一、下载数据集

使用到了一个检测垃圾桶是否装满的一个公开数据集【垃圾桶满溢检测数据集】-计算机视觉数据集-极市开发者平台 (cvmart.net)

该数据集图片格式为JPG，注释文件格式为xml。为VOC的格式，下面将进行数据集格式的转换。

在项目根目录下创建一个datasets文件夹，下载后数据集解压到该文件夹下，重新命名为garbage_classification

解压后的garbage_classification中含两个分别装jpg图片和xml注释文件的文件夹（自命名为image和xml）

二、数据集划分

自建文件夹dataSet和labels（后续使用）

其中dataSet 文件夹下面存放训练集、验证集、测试集的划分(四个txt文件)，通过数据集划分脚本生成——创建一个split_train_val.py文件，代码内容如下：

# coding:utf-8
 
import os
import random
import argparse
 
parser = argparse.ArgumentParser()
# xml文件的地址，根据自己的数据进行修改 xml一般存放在Annotations下
parser.add_argument('--xml_path', default='/data/users/LearnResourse/ultralytics-main/datasets/garbage_classification/xml', type=str, help='input xml label path')
# 数据集的划分，地址选择自己数据下的ImageSets/Main
parser.add_argument('--txt_path', default='/data/users/LearnResourse/ultralytics-main/datasets/garbage_classification/dataSet', type=str, help='output txt label path')  # default='dataSet'
opt = parser.parse_args()
 
trainval_percent = 1.0
train_percent = 0.9
xmlfilepath = opt.xml_path
txtsavepath = opt.txt_path
total_xml = os.listdir(xmlfilepath)
if not os.path.exists(txtsavepath):
    os.makedirs(txtsavepath)
 
num = len(total_xml)
list_index = range(num)
tv = int(num * trainval_percent)
tr = int(tv * train_percent)
trainval = random.sample(list_index, tv)
train = random.sample(trainval, tr)
 
file_trainval = open(txtsavepath + '/trainval.txt', 'w')
file_test = open(txtsavepath + '/test.txt', 'w')
file_train = open(txtsavepath + '/train.txt', 'w')
file_val = open(txtsavepath + '/val.txt', 'w')
 
for i in list_index:
    name = total_xml[i][:-4] + '\n'
    if i in trainval:
        file_trainval.write(name)
        if i in train:
            file_train.write(name)
        else:
            file_val.write(name)
    else:
        file_test.write(name)
 
file_trainval.close()
file_train.close()
file_val.close()
file_test.close()

 运行代码得到dataSet 文件夹里的四个数据集划分txt文件。

三、注释文件格式转换（xml--txt）

接下来准备labels，用voc_label.py脚本把数据集格式转换成txt格式，即将每个xml标注提取bbox信息为txt格式，每个图像对应一个txt文件，文件每一行为一个目标的信息，包括class, x_center, y_center, width, height格式。同时生成garbage_classification目录下的train.txt、test.txt、val.txt文件。

voc_label.py代码如下

# -*- coding: utf-8 -*-
import xml.etree.ElementTree as ET
import os
from os import getcwd
 
sets = ['train', 'val', 'test']
classes = ["overflow", "garbage_bin", "garbage"]  # 改成自己的类别 满溢垃圾桶，未满垃圾桶，垃圾
abs_path = os.getcwd()
print(abs_path)
 
 
def convert(size, box):
    dw = 1. / (size[0])
    dh = 1. / (size[1])
    x = (box[0] + box[1]) / 2.0 - 1
    y = (box[2] + box[3]) / 2.0 - 1
    w = box[1] - box[0]
    h = box[3] - box[2]
    x = x * dw
    w = w * dw
    y = y * dh
    h = h * dh
    return x, y, w, h
 
 
def convert_annotation(image_id):
    in_file = open('/data/users/LearnResourse/ultralytics-main/datasets/garbage_classification/xml/%s.xml' % (image_id), encoding='UTF-8')   # 改路径
    out_file = open('/data/users/LearnResourse/ultralytics-main/datasets/garbage_classification/labels/%s.txt' % (image_id), 'w')   # 保存路径
    tree = ET.parse(in_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
        # 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))
        b1, b2, b3, b4 = b
        # 标注越界修正
        if b2 > w:
            b2 = w
        if b4 > h:
            b4 = h
        b = (b1, b2, b3, b4)
        bb = convert((w, h), b)
        out_file.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + '\n')
 
 
wd = getcwd()
for image_set in sets:
    if not os.path.exists('/data/users/LearnResourse/ultralytics-main/datasets/garbage_classification/labels/'):
        os.makedirs('/data/users/LearnResourse/ultralytics-main/datasets/garbage_classification/labels/')
    image_ids = open('/data/users/LearnResourse/ultralytics-main/datasets/garbage_classification/dataSet/%s.txt' % (image_set)).read().strip().split()
    list_file = open('/data/users/LearnResourse/ultralytics-main/datasets/garbage_classification/%s.txt' % (image_set), 'w')
    for image_id in image_ids:
        # list_file.write(abs_path + '/data/users/LearnResourse/ultralytics-main/datasets/garbage_classification/image/%s.jpg\n' % (image_id))
        list_file.write('/data/users/LearnResourse/ultralytics-main/datasets/garbage_classification/image/%s.jpg\n' % (image_id))
        convert_annotation(image_id)
    list_file.close()

四、配置文件garbage.yaml创建

garbage.yaml具体代码：（注意修改路径、类别名称names、类别数量nc）

train: "/data/users/LearnResourse/ultralytics-main/datasets/garbage_classification/train.txt"
val: "/data/users/LearnResourse/ultralytics-main/datasets/garbage_classification/val.txt"
test: "/data/users/LearnResourse/ultralytics-main/datasets/garbage_classification/val.txt" # test images (optional)
 
# Classes
names:
  0: overflow
  1: garbage_bin
  2: garbage
nc: 3

五、预训练权重下载

从官网下载detect预训练权重，我使用的是yolov8n.pt

六、yolov8.yaml文件修改

文件位于/ultralytics-main/ultralytics/cfg/models/v8/yolov8.yaml

nc修改为对应的类别数

---

训练数据集

配置参数在defult.yaml文件中，具体的参数含义可见官网注释

进入根目录，终端运行训练代码：

yolo detect train model=/data/usersLearnResourse/ultralytics-main/ultralytics/cfg/models/v8/yolov8.yaml data=/data/users/LearnResourse/ultralytics-main/datasets/garbage_classification/garbage.yaml pretrained=/data/users/LearnResourse/ultralytics-main/ultralytics/yolov8n.pt epochs=5 batch=2

开始训练（我以下实际训练用的不是yolov8n（小模型）模型，而是做了改进的yolov8l（大模型）模型，所以参数量高达43,691,504；若模型为yolov8n，参数量应该不会超过一百万）

---

训练报错：

1、若训练时报错：ValueError: not enough values to unpack (expected 3, got 0)

且图片都为JPEG/JPG格式（图片格式正确），则需检查split_train_val.py和voc_label.py代码中路径是否填写正确。（若train.txt文件里面的内容图片路径不对，多半是这两个文件路径写错了）

YOLOv8成功解决ValueError: not enough values to unpack (expected 3, got 0)以及 `No such file or directory等-CSDN博客

2、按照优先级顺序，训练时调用yolo指令时，优先调用环境下安装的ultralytics下的default.yaml（参数配置文件）。所以在本地项目上改动default.yaml文件内容后，再调用yolo命令训练需在命令后加上更改的参数内容（如：yolo detect train model=/data/usersLearnResourse/ultralytics-main/ultralytics/cfg/models/v8/yolov8.yaml data=/data/users/LearnResourse/ultralytics-main/datasets/garbage_classification/garbage.yaml pretrained=/data/users/LearnResourse/ultralytics-main/ultralytics/yolov8n.pt epochs=5 batch=2）。

或者直接更改本地项目default.yaml，并将其覆盖粘贴至环境中的default.yaml文件。

环境路径：/data/users/anaconda3/envs/YOLOv8/lib/python3.8/site-packages/ultralytics/cfg/default.yaml
本地项目路径：/data/users/LearnResourse/ultralytics-main/ultralytics/cfg/default.yaml

总结

改进模型后可以继续使用预训练参数pretrained（也可不使用），可加快收敛，但可能会出现键值不匹配的报错，需增加过滤键值对的代码。