牛羊檢測數據集 3700張 平視視角牛羊檢測 帶標注 voc yolo
牛羊檢測數據集 3700張 牛羊檢測平視 帶標注 voc yolo
分類名: (圖片張數，標注個數)
cattle:
(1395，4309)
sheep:
(2393，1 1205)
總數:
(3791， 15514)
總類(nc):
2類


以下是詳細的步驟和完整的代碼示例：

完整訓練腳本

1. 安裝依賴

首先確保你已經安裝了必要的庫，特別是ultralytics庫，它是YOLOv8的核心庫。

pip install ultralytics

2. 準備數據集

假設你的數據集格式符合YOLO的要求，即圖像文件夾和對應的標注文件夾。數據集結構應如下所示：

datasets/
├── images/
│   ├── train/
│   │   ├── img1.jpg
│   │   ├── img2.jpg
│   │   └── ...
│   └── val/
│       ├── img1.jpg
│       ├── img2.jpg
│       └── ...
└── labels/├── train/│   ├── img1.txt│   ├── img2.txt│   └── ...└── val/├── img1.txt├── img2.txt└── ...

每個.txt文件對應一張圖片，內容格式為：

<class_id> <x_center> <y_center> <width> <height>

其中，坐標值都是歸一化的（范圍在0到1之間）。

3. 配置YOLOv8

創建一個YAML文件來配置數據集路徑和類別信息。例如，創建一個名為cattle_sheep.yaml的文件：

train: ../datasets/images/train
val: ../datasets/images/valnc: 2
names: ['cattle', 'sheep']

4. 訓練模型

編寫訓練腳本，使用YOLOv8進行訓練。以下是完整的訓練腳本：

[<title="Cattle and Sheep Detection using YOLOv8">]
from ultralytics import YOLO# Load a pre-trained YOLOv8n model
model = YOLO('yolov8n.pt')# Train the model on your dataset
results = model.train(data='cattle_sheep.yaml',epochs=50,imgsz=640,batch=8,workers=4,device='0'  # Use GPU if available
)# Evaluate the model performance on the validation set
metrics = model.val()# Export the trained model to ONNX format for deployment
success = model.export(format='onnx')

解釋

1. 加載預訓練模型：我們從預訓練的YOLOv8n模型開始。
2. 訓練模型：使用train方法進行訓練。參數包括數據集配置文件路徑、訓練輪數、圖像大小、批量大小、工作線程數和設備。
3. 評估模型：使用val方法對模型進行評估。
4. 導出模型：將訓練好的模型導出為ONNX格式以便部署。

運行腳本

保存上述腳本到一個Python文件中，例如train_cattle_sheep.py，然后運行該腳本：

python train_cattle_sheep.py

這樣，你就可以在一個連續的文檔中看到所有的步驟和代碼，并且可以直接復制和運行整個腳本。