赞
踩
一、YOLOv8环境搭建
(1)Pytorch的安装
如果你的环境没有部署请参考本人文章:NLP笔记(2)——PyTorch的详细安装_安装torchnlp-CSDN博客
(2)下载最新的Yolov8-obb代码:
https://github.com/ultralytics/ultralytics
(2)安装配置文件,建议使用镜像源
pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple
二、DOTA1.0数据集转换
(1)原始数据集格式如下
937.0 913.0 921.0 912.0 923.0 874.0 940.0 875.0 small-vehicle 0
(2)通过坐标在 0 和 1 之间归一化的四个角点来指定边界框,支持的 OBB 数据集格式如下
class_index, x1, y1, x2, y2, x3, y3, x4, y4
(3)新建一个yoloobb.py文件实现标签转换
- from ultralytics.data.converter import convert_dota_to_yolo_obb
- convert_dota_to_yolo_obb('C:\myyolo\ultralytics-main\dataobb')
- #关于dataobb文件下的目录下面会详细说明
(4)跳转到convert_dota_to_yolo_obb.py函数,对class_mapping进行修改
- class_mapping = {
- "plane": 0,
- "baseball-diamond": 1,
- "bridge": 2,
- "ground-track-field": 3,
- "small-vehicle": 4,
- "large-vehicle": 5,
- "ship": 6,
- "tennis-court": 7,
- "basketball-court": 8,
- "storage-tank": 9,
- "soccer-ball-field": 10,
- "roundabout": 11,
- "harbor": 12,
- "swimming-pool": 13,
- "helicopter": 14,
- }
(5)在ultralytics-main下新建一个文件夹dataobb设置如下结构,
其中,images/train和images/val分别放置DOTA数据集切割后的原始图片文件(其中train15749张,val5279张),labels/train_original和labels/val_original分别放置原始的标签文件,labels/train和labels/val为空,然后运行步骤(3)的代码,运行结束转换后的标签会保存在labels/train和labels/val中,转换后的格式如下。
4 0.915039 0.891602 0.899414 0.890625 0.901367 0.853516 0.917969 0.854492
需要放置切割后的原始图片请参考:DOTA数据集切割处理
三、开始训练
(1)下载预训练权重
(2)构建数据集,按照下面目录格式,其中test可为空,一定要对应。
(3)创建一个dota8-obb.yaml,然后将路径和类别改成自己的。
- path: C:\myyolo\ultralytics-main\datasets # dataset root dir
- train: images/train
- val: images/val
- #test: images/test
- names:
- 0: plane
- 1: baseball-diamond
- 2: bridge
- 3: ground-track-field
- 4: small-vehicle
- 5: large-vehicle
- 6: ship
- 7: tennis-court
- 8: basketball-court
- 9: storage-tank
- 10: soccer-ball-field
- 11: roundabout
- 12: harbor
- 13: swimming-pool
- 14: helicopter
(4)新建yolov8-obb.yaml,修改nc即可.
- # Ultralytics YOLO 本文内容由网友自发贡献,转载请注明出处:【wpsshop博客】推荐阅读
相关标签
Copyright © 2003-2013 www.wpsshop.cn 版权所有,并保留所有权利。