YOLOV8环境配置速通

edge_sky Lv2
  2024-03-26 22:01:10 2024-03-26 22:01:10 创建   2024-07-01 22:50:06 2024-07-01 22:50:06 更新   

前置安装软件

  • python8+
  • Anaconda（mini版也可以）（记得加入环境变量）

创建想虚拟环境

前置条件 anaconda 环境良好

win + s，或在快捷方式里找到 Anaconda Prompt (Anaconda)

创建一个名为 yolov8(自行取名) 的环境

1
conda create -n yolov8 python=3.8

查看环境列表

1
conda env list

{01}

切换到新创建的环境

1
activate yolov8

{02}

安装cuda + cudnn(使用N卡下)

更换清华镜像源(如需要)

1
2
3
conda config --add channels http://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/win-64
conda config --add channels http://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/win-64
conda config --set show_channel_urls yes

查看 cuda 的支持版本

1
nvidia-smi

进入 CUDA Toolkit - Free Tools and Training | NVIDIA Developer 安装相应版本的cuda工具

进入 CUDA Deep Neural Network (cuDNN) | NVIDIA Developer 安装相应 cuda 的 cudann

安装 pytorch

Start Locally | PyTorch

根据你的环境安装

{03}

使用conda的包，选好版本后复制进 yolov8 环境下的命令窗口运行

安装ultralytics

  1. 使用CLI
1
pip install ultralytics
  1. 直接 clone 源码解压

进入源码目录，输入

1
pip install -e

安装

下载训练模型

Releases · ultralytics/assets (github.com)

选择合适的训练模型下载

标记图片

安装 labelimg

pip 安装

依次执行

1
2
3
4
pip install PyQt5
pip install pyqt5-tools
pip install lxml
pip install labelimg

conda 安装

conda 会自动安装相关的依赖包

1
conda install labelimg

使用 labelimg 对图片标注

  • 在 yolov8 环境下执行命令行
1
labelimg
  • 建议勾选自动保存

{04}

  • 点击标记格式更改为 YOLO，从上至下分别是：打开单个图片，打开一个文件夹，更改保存文件夹，下一张图片，上一张图片，确认图片，保存

{05}

  • 导入图片后，右键选择 Create Rectbox 或 “W” 快捷键进入标记模式，框选主体，在弹出的框中输入主题的名字，例如下图输入 panda，点击回车或 OK 后完成这一主体的标记。
  • 单个图片可以标记多个主体，完成标记后如果选择自动保存可以直接进入下一张继续标记，否则记得点击保存~

{06}

  • 完成标记后得到一批 图片名.txt 的文件以及 class.txt 文件，训练主要需要 图片名.txt 文件，class.txt 记录有多少的分类以及分类名

训练

数据集文件树

构建以下结构的文件夹目录，用于存放数据

将被标记的图片放在 dataset/images/train 中，与被标记具有相同主体的未标记图片放在 dataset/images/val 中用于验证

将标记生成的 图片名.txt 放入 dataset/labels/train 中，务必和标记的图片一一对应

1
2
3
4
5
6
7
8
9
dataset
  --images
    --train(存放训练的图片)
    --val(用于验证的图片)
    --test(optional)
  --labels
    --train(与训练图片相对应得标签文件)
    --val
    --test(optional)

model中 .pt 和 .yaml 的区别

  • .pt 是指从预训练模型的基础上进行训练。若我们选择 yolov8n.pt这种.pt类型的文件，其实里面是包含了模型的结构和训练好的参数的，也就是说拿来就可以用，就已经具备了检测目标的能力了，yolov8n.pt能检测coco中的80个类别。假设你要检测不同种类的狗，那么yolov8n.pt原本可以检测狗的能力对你训练应该是有帮助的，你只需要在此基础上提升其对不同狗的鉴别能力即可。但如果你需要检测的类别不在其中，例如口罩检测，那么就帮助不大。
  • .yaml是从零开始训练

data

指定数据集文件的位置，数据集包含训练和验证的图像、标签

.yaml的配置样例如下

1
2
3
4
5
6
7
8
9
10
11
12
path: ../datasets/coco128  # dataset root dir 数据集得根目录
train: images/train2017  # train images (relative to 'path') 128 images 训练图片的文件夹
val: images/train2017  # val images (relative to 'path') 128 images 训练图标的标签的文件夹
test:  # test images (optional)

# Classes
nc: 2  # number of classes
names: 
	0: class1
	1: class2
# class names

脚本

编写一个 .py 文件用于训练

1
2
3
4
5
6
7
8
9
from ultralytics import YOLO

# 加载模型
model = YOLO('yolov8n.yaml')  # 从yaml文件加载
model = YOLO('yolov8n.pt')  # 加载预训练模型
model = YOLO('yolov8n.yaml').load('yolov8n.pt')  # 从 YAML加载 然后再加载权重

# 指定训练参数开始训练
model.train(data='coco128.yaml', epochs=100, imgsz=640)

命令行

直接在 yolov8 环境下的命令行执行

1
2
3
4
5
6
7
8
# 从YAML构建新模型，从头开始训练
yolo detect train data=coco128.yaml model=yolov8n.yaml epochs=100 imgsz=640
 
# 从预训练*.pt模型开始训练
yolo detect train data=coco128.yaml model=yolov8n.pt epochs=100 imgsz=640
 
# 从YAML构建一个新模型，转移预训练权重，然后开始训练
yolo detect train data=coco128.yaml model=yolov8n.yaml pretrained=yolov8n.pt epochs=100 imgsz=640

结果

(忽略我拿 CPU 跑的1个半小时)

07

结果的模型保存在 runs/detect 内，包含最后一次的模型和效果最好的模型，至此训练完成

参数说明

训练命令的参数如下所示，可根据自身需求更改

参数名默认值/设置描述
modelNone模型文件路径，例如 yolov8n.pt, yolov8n.yaml
dataNone数据文件路径，例如 coco128.yaml
epochs100训练的轮次数量
patience50早停训练的等待轮次
batch16每批图像数量
imgsz640输入图像的大小，以整数表示
saveTrue保存训练检查点和预测结果
save_period-1每x轮次保存检查点
cacheFalse使用缓存加载数据
deviceNone运行设备，例如 cuda device=0 或 device=0,1,2,3 或 device=cpu
workers8数据加载的工作线程数
pretrainedTrue（bool 或 str）是否使用预训练模型（bool）或从中加载权重的模型（str）
optimizer‘auto’使用的优化器，选择范围=[SGD, Adam, Adamax, AdamW, NAdam, RAdam, RMSProp, auto]
verboseFalse是否打印详细输出
seed0随机种子，用于可重复性
deterministicTrue是否启用确定性模式
single_clsFalse将多类数据作为单类训练
rectFalse矩形训练，每批为最小填充整合
cos_lrFalse使用余弦学习率调度器
close_mosaic10(int) 最后轮次禁用马赛克增强（0为禁用）
resumeFalse从最后检查点恢复训练
ampTrue自动混合精度（AMP）训练，选择范围=[True, False]
fraction1.0训练的数据集比例（默认为1.0，即训练集中的所有图像）
profileFalse在训练期间为记录器分析ONNX和TensorRT速度
freezeNone(int 或 list, 可选) 在训练期间冻结前n层，或冻结层索引列表
lr00.01初始学习率（例如 SGD=1E-2, Adam=1E-3）
lrf0.01最终学习率 (lr0 * lrf)
momentum0.937SGD动量/Adam beta1
weight_decay0.0005优化器权重衰减5e-4
warmup_epochs3.0热身轮次（小数ok）
warmup_momentum0.8热身初始动量
warmup_bias_lr0.1热身初始偏差lr
box7.5框损失增益
cls0.5cls损失增益（根据像素缩放）
dfl1.5dfl损失增益
pose12.0姿态损失增益（仅限姿态）
kobj2.0关键点obj损失增益（仅限姿态）
label_smoothing0.0标签平滑（小数）
nbs64标称批大小
overlap_maskTrue训练期间掩码应重叠（仅限分割训练）
mask_ratio4掩码降采样比率（仅限分割训练）
dropout0.0使用dropout正则化（仅限分类训练）
valTrue训练期间验证/测试
  • 标题: YOLOV8环境配置速通
  • 作者: edge_sky
  • 创建于 : 2024-03-26 22:01:10
  • 更新于 : 2024-07-01 22:50:06
  • 链接: https://edgesky.cn/2024/03/26/YOLOV8环境配置速通/
  • 版权声明: 本文章采用 CC BY-NC-SA 4.0 进行许可。
此页目录
YOLOV8环境配置速通
  1. 前置安装软件
  2. 创建想虚拟环境
  3. 安装cuda + cudnn(使用N卡下)
  4. 安装 pytorch
  5. 安装ultralytics
  6. 下载训练模型
  7. 标记图片
    1. 安装 labelimg
  8. 使用 labelimg 对图片标注
  9. 训练
    1. 数据集文件树
    2. model中 .pt 和 .yaml 的区别
    3. data
    4. 脚本
    5. 命令行
  10. 结果
    1. 参数说明