YOLOv8训练

以下文件全放在ultralytics/yolo/data目录下

一 、使用labelimg进行数据标记

　　1.按以下顺序建立文件夹

　　　　VOCdevkit→VOC2007→Annotations、Images、labels、predefined_classes.txt

　　　　

　　　　　　

　　　　　　　　

　　2.建立完成后，打开labelimg虚拟环境，输入labelimg JPEGImages predefined_classes.txt

　　3.在标注式，将 保存格式设置为voc，其中Annotations保存voc标签（xml文件），Images保存原始图像（jpg文件），ImageSets保存划分训练/验证/测试集的txt文件（执行二后自动写入），labels由后续程序输入YOLO格式标签内容（txt文件）

二、使用split_train_val.py程序，随机分配训练/验证/测试集图片

三、使用voc_label.py程序，将xml文件转换成YOLO系列标准读取的txt文件

　　1.注意，其中的classes 类别需要改成自己需要的类别

四、修改相关的yaml配置文件

　　1.在ltralytics/yolo/data目录下创建一个fall.yaml文件，并写入以下内容，按照自己的需要修改。

　　train: ./data\train.txt
　　val: ./data\val.txt
　　test: ./data\test.txt

　　# number of classes
　　nc: 8

　　# class names
　　names: ['standard','atypia','cowone','cowtwo','cowthree','cowfour','cowfive','cowsix']

　　2.在ultralytics/models/v8/目录下是模型的配置文件，这边提供n、s、m、l、x版本，逐渐增大（随着架构的增大，训练时间也是逐渐增大），假设采用yolov8n.yaml，只用修改一个参数，把nc改成自己的类别数,需要取整

　　

五、模型训练

　　1.单卡训练

　　yolo task=detect mode=train model=yolov8n.pt data=data/fall.yaml batch=32 epochs=100 imgsz=640 workers=16 device=0

　　2.多卡训练

　　yolo task=detect mode=train model=yolov8n.pt data=data/fall.yaml batch=32 epochs=100 imgsz=640 workers=16 device=\'0,1,2,3\'

　　以上参数解释如下：

　　task：选择任务类型

　　mode: 选择['train', 'val', 'predict']

　　model: 选择yolov8不同的模型配置文件，yolov8n.yaml

　　data: 选择生成的数据集配置文件

　　epochs：训练过程中整个数据集将被迭代的次数
　　batch：一次看完多少张图片才进行权重更新

　　device: 选择显卡

六、模型验证

　　yolo task=detect mode=val model=runs/detect/train/weights/best.pt data=data/fall.yaml device=0

七、模型预测

　　yolo task=detect mode=predict model=runs/detect/train/weights/best.pt source=data/images device=0

八、模型导出

　　yolo task=detect mode=export model=runs/detect/train/weights/best.pt

九、其他配置设置

　　找到ultralytics/yolo/cfg/default.yaml进行修改

附录：

1.split_train_val.py

"""
随机分配训练/验证/测试集图片
"""
import os
import random
path_all = 'H:\\ultralytics\\ultralytics\yolo\data\\'  #只需要修改这个根目录
trainval_percent = 0.9
train_percent = 0.9
xmlfilepath = path_all+'Annotations'
txtsavepath = path_all+'ImageSets'
total_xml = os.listdir(xmlfilepath)

num = len(total_xml)
list = range(num)
tv = int(num * trainval_percent)
tr = int(tv * train_percent)
trainval = random.sample(list, tv)
train = random.sample(trainval, tr)

ftrainval = open(path_all+'ImageSets/trainval.txt', 'w')
ftest = open(path_all+'ImageSets/test.txt', 'w')
ftrain = open(path_all+'ImageSets/train.txt', 'w')
fval = open(path_all+'ImageSets/val.txt', 'w')

for i in list:
    name = total_xml[i][:-4] + '\n'
    if i in trainval:
        ftrainval.write(name)
        if i in train:
            ftrain.write(name)
        else:
            fval.write(name)
    else:
        ftest.write(name)

ftrainval.close()
ftrain.close()
fval.close()
ftest.close()

2.voc_label.py

"""
将xml文件转换成YOLO系列标准读取的txt文件
"""
# -*- coding: utf-8 -*-
# xml解析包
import xml.etree.ElementTree as ET
import pickle
import os
from os import listdir, getcwd
from os.path import join


sets = ['train', 'test', 'val']
classes = ['standard','atypia','cowone','cowtwo','cowthree','cowfour','cowfive','cowsix'] # 需要修改

path_all = 'H:\\ultralytics\\ultralytics\yolo\data\\'   #需要修改

# 进行归一化操作
def convert(size, box): # size:(原图w,原图h) , box:(xmin,xmax,ymin,ymax)
    dw = 1./size[0]     # 1/w
    dh = 1./size[1]     # 1/h
    x = (box[0] + box[1])/2.0   # 物体在图中的中心点x坐标
    y = (box[2] + box[3])/2.0   # 物体在图中的中心点y坐标
    w = box[1] - box[0]         # 物体实际像素宽度
    h = box[3] - box[2]         # 物体实际像素高度
    x = x*dw    # 物体中心点x的坐标比(相当于 x/原图w)
    w = w*dw    # 物体宽度的宽度比(相当于 w/原图w)
    y = y*dh    # 物体中心点y的坐标比(相当于 y/原图h)
    h = h*dh    # 物体宽度的宽度比(相当于 h/原图h)
    return (x, y, w, h)    # 返回 相对于原图的物体中心点的x坐标比,y坐标比,宽度比,高度比,取值范围[0-1]


# year ='2012', 对应图片的id（文件名）
def convert_annotation(image_id):
    '''
    将对应文件名的xml文件转化为label文件，xml文件包含了对应的bunding框以及图片长款大小等信息，
    通过对其解析，然后进行归一化最终读到label文件中去，也就是说
    一张图片文件对应一个xml文件，然后通过解析和归一化，能够将对应的信息保存到唯一一个label文件中去
    labal文件中的格式：calss x y w h　　同时，一张图片对应的类别有多个，所以对应的ｂｕｎｄｉｎｇ的信息也有多个
    '''
    # 对应的通过year 找到相应的文件夹，并且打开相应image_id的xml文件，其对应bund文件
    in_file = open(path_all+'Annotations/%s.xml' % (image_id), encoding='utf-8')
    # 准备在对应的image_id 中写入对应的label，分别为
    # <object-class> <x> <y> <width> <height>
    out_file = open(path_all+'labels/%s.txt' % (image_id), 'w', encoding='utf-8')
    # 解析xml文件
    tree = ET.parse(in_file)
    # 获得对应的键值对
    root = tree.getroot()
    # 获得图片的尺寸大小
    size = root.find('size')
    # 如果xml内的标记为空，增加判断条件
    if size != None:
        # 获得宽
        w = int(size.find('width').text)
        # 获得高
        h = int(size.find('height').text)
        # 遍历目标obj
        for obj in root.iter('object'):
            # 获得difficult ？？
            difficult = obj.find('difficult').text
            # 获得类别 =string 类型
            cls = obj.find('name').text
            # 如果类别不是对应在我们预定好的class文件中，或difficult==1则跳过
            if cls not in classes or int(difficult) == 1:
                continue
            # 通过类别名称找到id
            cls_id = classes.index(cls)
            # 找到bndbox 对象
            xmlbox = obj.find('bndbox')
            # 获取对应的bndbox的数组 = ['xmin','xmax','ymin','ymax']
            b = (float(xmlbox.find('xmin').text), float(xmlbox.find('xmax').text), float(xmlbox.find('ymin').text),
                 float(xmlbox.find('ymax').text))
            print(image_id, cls, b)
            # 带入进行归一化操作
            # w = 宽, h = 高， b= bndbox的数组 = ['xmin','xmax','ymin','ymax']
            bb = convert((w, h), b)
            # bb 对应的是归一化后的(x,y,w,h)
            # 生成 calss x y w h 在label文件中
            out_file.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + '\n')


# 返回当前工作目录
wd = getcwd()
print(wd)


for image_set in sets:
    '''
    对所有的文件数据集进行遍历
    做了两个工作：
　　　　１．将所有图片文件都遍历一遍，并且将其所有的全路径都写在对应的txt文件中去，方便定位
　　　　２．同时对所有的图片文件进行解析和转化，将其对应的bundingbox 以及类别的信息全部解析写到label 文件中去
    　　　　　最后再通过直接读取文件，就能找到对应的label 信息
    '''
    # 先找labels文件夹如果不存在则创建
    if not os.path.exists(path_all+'labels/'):
        os.makedirs(path_all+'labels/')
    # 读取在ImageSets/Main 中的train、test..等文件的内容
    # 包含对应的文件名称
    image_ids = open(path_all+'ImageSets/%s.txt' % (image_set)).read().strip().split()
    # 打开对应的2012_train.txt 文件对其进行写入准备
    list_file = open(path_all+'%s.txt' % (image_set), 'w')
    # 将对应的文件_id以及全路径写进去并换行
    for image_id in image_ids:
        list_file.write(path_all+'Images/%s.jpg\n' % (image_id))
        # 调用  year = 年份  image_id = 对应的文件名_id
        convert_annotation(image_id)
    # 关闭文件
    list_file.close()