基于YOLOv8训练自定义数据集

目录

• 基于YOLOv8训练自定义数据集
• 目标检测模型的推理输出分析
  • • • 1.模型的输入
      • 2.模型的输出
• YOLOv8将后缀名为pt的模型导出为onnx格式

版本：commit id为d6be91d7866549ccad4b19d65d0e03c7fdbd0ec8

基于YOLOv8训练自定义数据集

1. 克隆下yolov8源码后，在项目源码目录下新建data目录，将自定义数据集放置data目录下。自定义数据集按照如下目录结构存放：

├─images
│  ├─train
│  └─val
└─labels
    ├─train
    └─val

2. 然后再data目录下新建加载数据的配置文件person.yaml，其内容示例如下：

train: E:\ultralytics\data\images\train
val: E:\ultralytics\data\images\val

nc: 1
names: ['person']

3. 安装依赖：

# 1.安装适合自身硬件配置的torch和torchvision
# 2.安装requirements中的依赖包
pip install -r requirements.txt -i http://pypi.douban.com/simple/ --trusted-host pypi.douban.com

4. 训练模型
   1. 方式1：输入命令yolo task=detect mode=train model=weights/yolov8n.pt data=data/person.yaml batch=4 epochs=100 imgsz=640 workers=16 device=0
   2. 方式2：
      1. 在项目根目录下运行yolo copy-cfg将在当前目录下生成ultralytics\ultralytics\yolo\cfg\default.yaml配置文件的拷贝，即default_copy.yaml
      2. 根据需求修改default_copy.yaml文件中的内容，主要修改如下：

      # Train settings 
      model: weights/yolov8n.pt # path to model file, i.e. yolov8n.pt, yolov8n.yaml
      data:  data/person.yaml # path to data file, i.e. coco128.yaml
      epochs: 100  # number of epochs to train for
      batch: 2  # number of images per batch (-1 for AutoBatch)
      

      3. 使用yolo cfg=default_copy.yaml命令即可开始训练
   3. 方式3：自定义train.py文件，内容如下

   from ultralytics import YOLO
   
   if __name__ == '__main__':
       # 加载模型
       # model = YOLO(r'yolov8-seg.yaml')  # 不使用预训练权重训练
       
       model = YOLO(r"E:\ultralytics\weights\yolov8n.pt")  # 使用预训练权重训练
       
       model.train(data = r"E:\ultralytics\data\person.yaml", epochs=500,batch=16)
      
   

   4. 训练时报错TypeError: concatenate() got an unexpected keyword argument 'dtype'解决方案是将numpy的版本更改为1.23.3
5. 模型推理：
   1. 方式1：使用命令yolo detect predict model=weights/best.pt source=data/test_images save=True即可
   2. 方式2：自定义predict.py，内容如下：

   from ultralytics import YOLO
   
   
   if __name__ == '__main__':
   
       model = YOLO('weights/best.pt')  # build from YAML and transfer weights
       model.predict(source='data/test_images/test', conf = 0.4, save = True)
   

   3. 问题AttributeError: Can't get attribute 'v8DetectionLoss'，解决方案是升级ultralytics。

   pip install ultralytics --upgrade
   

目标检测模型的推理输出分析

1. 使用如下脚本进行模型的推理

from ultralytics import YOLO


if __name__ == '__main__':

    model = YOLO('weights/yolov8n.pt')  # build from YAML and transfer weights
    result = model.predict(source='data/test_images/', conf = 0.4, save = True)
    print("result:", result)

1.模型的输入

1. source参数：指定输入模型的图片的位置

2.模型的输出

1. 上述推理脚本中，result是一个由ultralytics.engine.results.Results类型的对象组成的列表，Results类封装了推理结果。其主要属性如下：
   1. boxes：检测边界框，可能有多个，其属性如下

   1. xyxy：The boxes in xyxy format
   2. conf：检测框的置信度值
   3. cls：检测框的类别值
   4. id：检测框的追踪id
   5. xywh：The boxes in xywh format
   6. xyxyn：The boxes in xyxy format normalized by original image size。归一化后的
   7. xywhn：The boxes in xywh format normalized by original image size。归一化后的
   8. data：The raw bboxes tensor
   

   2. keypoints：包含检测的关键点信息，yolo做关键点检测时会有这个信息
   3. masks：包含检测的掩码信息，yolo做实例分割时会有这个信息
   4. names：A dictionary of class names.即目标检测的类别
   5. orig_img：以numpy数组格式存储的原始图片，形状为(height，width，dimension)
   6. orig_shape：以元组表示的原始图片的形状，例如(height,width)
   7. path：The path to the image file.即输入模型的图片的路径
   8. probs：每个类别的概率，yolo做分类任务会有这个信息
   9. save_dir：模型输出可视化结果的路径，例如
   10. speed：A dictionary of preprocess, inference, and postprocess speeds in milliseconds per image
2. 对于目标检测，需要特别关注Results的boxes属性

YOLOv8将后缀名为pt的模型导出为onnx格式

1. 下载依赖包onnx

pip install onnx==1.16.1 -i https://pypi.tuna.tsinghua.edu.cn/simple

2. 在ultralytics目录下新建脚本，并执行python export_onnx.py

from ultralytics import YOLO

// 待转换模型所在的位置
model = YOLO(r"C:\Users\root\Desktop\data\ultralytics\runs\detect\train2\weights\fruit.pt")
model.export(format="onnx")