YOLOv8訓練自己的目標檢測數據集

源碼下載

YOLOv8官方的GitHub代碼，同時上面也有基礎環境的配置要求以及代碼運行的教程。下載后的源碼文件名應該是ultralytics-main。

環境配置

這里可參考YOLOv5，YOLO v7的代碼環境配置。

安裝包

需要額外的安裝一些包，因為后面需要用到。

pip install ultralytics

訓練自己的數據集

數據集文件格式

• 數據集文件格式是txt的yolo格式，整體數據集文件格式如下:
  

• 同時images下的文件格式如下: train(訓練集圖片)，val(測試集圖片)，test(測試集圖片)
  
• 同時labels下的文件格式如下: train(訓練集圖片對應的標簽)，val(測試集圖片對應的標簽)，test(測試集圖片對應的標簽)
  

• 整體數據集格式文件如下

├── linhuo
│ ├── images
│ │ ├── train
│ │ ├── val
│ │ ├── test
│ ├── labels
│ │ ├── train
│ │ ├── val
│ │ ├── test

數據集文件配置

數據集文件配置的位置如下：

ultralytics-main/ultralytics/cfg/datasets/

在該文件下創建數據自己數據集文件配置的yaml文件，這是我創建自己數據集配置的yaml文件。同時yaml文件內要說明以下內容:

• 索引到數據集文件images下的train、val
• 數據集標注的類別數目
• 數據集標注的類別名稱
• 如我的數據集只有1類, 標注類別是fire
  

超參數文件配置

超參數文件配置的路徑:

ultralytics-main/ultralytics/cfg/default.yaml

具體的超參數說明可以看看網上的教程，這里主要配置model，data，patience。

• model: 可以配置yolov8n.pt, yolov8n.yaml(這里填寫配置yolov8n.pt, yolov8n.yaml的具體路徑)，如果配置yolov8n.yaml需要將類別數目改為1。

model: './weights/yolov8n.pt'  # (str, optional) path to model file, i.e. yolov8n.pt, yolov8n.yaml

• data: 這里是填寫數據集文件配置的地址。

data: 'ultralytics/cfg/datasets/linhuo.yaml'   # (str, optional) path to data file, i.e. coco128.yaml

• patience: epochs to wait for no observable improvement for early stopping of training(就是多少次沒有訓練一個好的結果就會提前停止訓練)。

訓練數據集

命令行訓練

• task=detect：目標檢測
• mode=train：訓練模式
• model=yolov8n.pt：模型預訓練權重的地址，我是默認放到ultralytics-main目錄下

yolo task=detect mode=train model=yolov8n.pt data=ultralytics/cfg/datasets/linhuo.yaml batch=16 epochs=500

腳本.py文件訓練

• 新建立一個python腳本文件 mytrain.py
  

代碼為：直接運行即可。

from ultralytics import YOLO
# 權重網絡模型加載權重模型
model = YOLO('ultralytics/cfg/models/v8/yolov8.yaml').load('./weights/yolov8n.pt')  # build from YAML and transfer weights# Train the model: 數據集配置yaml
results = model.train(data='ultralytics/cfg/datasets/linhuo.yaml', epochs=500, batch=16)

進行detect

• 新建立一個python腳本文件 mypre.py上面圖片有

from ultralytics import YOLO
model = YOLO('runs/detect/train/weights/best.pt')# 檢測的圖片的路徑
source = 'ultralytics/assets/2708.jpg'# 預測結果
results = model.predict(source, save=True)

顯示detect的效果