wordpress会建站怎么找工作,wordpress seo技巧,做宠物网站心得,个人网站名称怎么起本文介绍如何用YOLO8训练自己的模型#xff0c;我们开门见山#xff0c;直接步入正题。 前言#xff1a;用yolo8在自己的数据集上训练模型首先需要配置好YOLO8的环境#xff0c;如果不会配置YOLO8环境可以参考本人主页的另一篇文章
提醒#xff1a;使用GPU训练会大幅度加… 本文介绍如何用YOLO8训练自己的模型我们开门见山直接步入正题。 前言用yolo8在自己的数据集上训练模型首先需要配置好YOLO8的环境如果不会配置YOLO8环境可以参考本人主页的另一篇文章
提醒使用GPU训练会大幅度加快训练有英伟达GPU的一定要配置GPU训练环境没有英伟达显卡的只能采用CPU训练但是一般不建议。 GPU、CPU训练环境的配置具体见上面的文章链接
第一章节准备好数据集
配置好YOLO8环境之后需要准备好YOLO格式的数据集也称txt格式该数据集可以通过数据集标注软件 labelme、labelimg对图片进行拉框标注得到。经过标注软件标注好的yolo数据集的格式通常为: class_id x y w h class_id: 类别的id编号 x: 目标的中心点x坐标(横向) /图片总宽度 y: 目标的中心的y坐标(纵向) /图片总高度 w:目标框的宽度/图片总宽度 h: 目标框的高度/图片总高度 下图为一张图片按照yolo格式进行标注的txt标注文件 在进行训练之前还需要对数据集进行划分一般是按照721的比例划分训练集train、验证集val、测试集test 或者按照82的比例划分训练集与验证集。
提醒用YOLO8训练自己的模型必须至少要把数据集划分出训练集与验证集可以不划分测试集训练集与验证集不可或缺否则不能数据集进行模型训练。我这里只划分训练集与验证集并且训练集与验证集应该是下面的目录结构 train ├── images └── labels val ├── images └── labels 下面以葡萄叶片病虫害数据集为例给出训练集、验证集目录结构的参考示例 在训练之前我们不仅要把数据集划分成训练集、验证集还需要给出类别标签yaml文件该文件是YOLO8在训练过程中所必须的。也就是说一个完整的可以直接用于模型训练的数据集应该具有以下目录结构 data.yaml的内容如下图所示
其中train、val指定训练集与验证集的路径地址最好写成绝对路径
nc代表该数据集有几个类别我这里的葡萄叶片病虫害数据集有四个类别
names代表具体的类别名称。可以以数组的形式给出但请注意类别名称需要以英文或数字呈现不能含有任何特殊字符或者中文字符。
提醒yaml文件是必须的如果你拿到的数据集不含这个文件那么你要按照上面的格式自己手动写了书写时需要严格按照yaml文件的格式冒号后面是有一个空格的
第二章节开始训练
搞深度学习绝大部分都是在linux系统上进行炼丹的。考虑到有的读者可能对Linux不熟悉,本章节首先给出win系统训练教程然后再给出linux系统训练步骤。 注意在训练的过程中有英伟达显卡的一定要用GPU训练用CPU训练是特别缓慢的。 2.1 训练参数
训练方式有多种可以通过py程序训练也可以在命令行训练我们这里以py程序训练为例
无论是在win系统还是linux系统训练的代码基本都是一致的只有极个别参数会因为系统的不同出现差异。
from ultralytics import YOLO# 这里有三种训练方式三种任选其一#第一种根据yaml文件构建一个新模型进行训练,若对YOLO8网络进行了修改比如添加了注意力机制适合选用此种训练方式。但请注意这种训练方式是重头训练(一切参数都要自己训练),训练时间、资源消耗都是十分巨大的
model YOLO(yolov8n.yaml) # build a new model from YAML#第二种加载一个预训练模型在此基础之前上对参数进行调整。这种方式是深度学习界最最主流的方式。由于大部分参数已经训练好我们仅需根据数据集对模型的部分参数进行微调因此训练时间最短计算资源消耗最小。
model YOLO(yolov8n.pt) # load a pretrained model (recommended for training)#第三种:根据yaml文件构建一个新模型然后将预训练模型的参数转移到新模型中然后进行训练对YOLO8网络进行改进的适合选用此种训练方式而且训练时间不至于过长
model YOLO(yolov8n.yaml).load(yolov8n.pt) # build from YAML and transfer weights# Train the model
#data参数指定数据集yaml文件(我这里data.yaml与train、val文件夹同目录)
#epochs指定训练多少轮
#imgsz指定图片大小
results model.train(datadata.yaml, epochs100, imgsz640)
model.train()函数可以指定的训练参数有很多如下表所示 Key Value Description model None path to model file, i.e. yolov8n.pt, yolov8n.yaml data None path to data file, i.e. coco128.yaml epochs 100 number of epochs to train for time None number of hours to train for, overrides epochs if supplied patience 50 epochs to wait for no observable improvement for early stopping of training batch 16 number of images per batch (-1 for AutoBatch) imgsz 640 size of input images as integer save True save train checkpoints and predict results save_period -1 Save checkpoint every x epochs (disabled if 1) cache False True/ram, disk or False. Use cache for data loading device None device to run on, i.e. cuda device0 or device0,1,2,3 or devicecpu workers 8 number of worker threads for data loading (per RANK if DDP) project None project name name None experiment name exist_ok False whether to overwrite existing experiment pretrained True (bool or str) whether to use a pretrained model (bool) or a model to load weights from (str) optimizer auto optimizer to use, choices[SGD, Adam, Adamax, AdamW, NAdam, RAdam, RMSProp, auto] verbose False whether to print verbose output seed 0 random seed for reproducibility deterministic True whether to enable deterministic mode single_cls False train multi-class data as single-class rect False rectangular training with each batch collated for minimum padding cos_lr False use cosine learning rate scheduler close_mosaic 10 (int) disable mosaic augmentation for final epochs (0 to disable) resume False resume training from last checkpoint amp True Automatic Mixed Precision (AMP) training, choices[True, False] fraction 1.0 dataset fraction to train on (default is 1.0, all images in train set) profile False profile ONNX and TensorRT speeds during training for loggers freeze None (int or list, optional) freeze first n layers, or freeze list of layer indices during training lr0 0.01 initial learning rate (i.e. SGD1E-2, Adam1E-3) lrf 0.01 final learning rate (lr0 * lrf) momentum 0.937 SGD momentum/Adam beta1 weight_decay 0.0005 optimizer weight decay 5e-4 warmup_epochs 3.0 warmup epochs (fractions ok) warmup_momentum 0.8 warmup initial momentum warmup_bias_lr 0.1 warmup initial bias lr box 7.5 box loss gain cls 0.5 cls loss gain (scale with pixels) dfl 1.5 dfl loss gain pose 12.0 pose loss gain (pose-only) kobj 2.0 keypoint obj loss gain (pose-only) label_smoothing 0.0 label smoothing (fraction) nbs 64 nominal batch size overlap_mask True masks should overlap during training (segment train only) mask_ratio 4 mask downsample ratio (segment train only) dropout 0.0 use dropout regularization (classify train only) val True validate/test during training plots False save plots and images during train/val
下面指出几个比较重要的训练参数
1. epochs epochs: 训练的轮数。这个参数确定了模型将会被训练多少次每一轮都遍历整个训练数据集。训练的轮数越多模型对数据的学习就越充分但也增加了训练时间。
选取策略 默认是100轮数。但一般对于新数据集我们还不知道这个数据集学习的难易程度可以加大轮数例如300来找到更佳性能。
2. patience patience: 早停的等待轮数。在训练过程中如果在一定的轮数内没有观察到模型性能的明显提升就会停止训练。这个参数确定了等待的轮数如果超过该轮数仍没有改进则停止训练。
早停 早停能减少过拟合。过拟合(overfitting)指的是只能拟合训练数据, 但不能很好地拟合不包含在训练数据中的其他数据的状态。
3. batch batch: 每个批次中的图像数量。在训练过程中数据被分成多个批次进行处理每个批次包含一定数量的图像。这个参数确定了每个批次中包含的图像数量。特殊的是如果设置为**-1**则会自动调整批次大小至你的显卡能容纳的最多图像数量。
选取策略 一般认为batch越大越好。因为我们的batch越大我们选择的这个batch中的图片更有可能代表整个数据集的分布从而帮助模型学习。但batch越大占用的显卡显存空间越多所以还是有上限的。
4. imgsz imgsz: 输入图像的尺寸。这个参数确定了输入图像的大小。可以指定一个整数值表示图像的边长也可以指定宽度和高度的组合。例如640表示图像的宽度和高度均为640像素。 选取策略 如果数据集中存在大量小对象增大输入图像的尺寸imgsz可以使得这些小对象从高分辨率中受益更好的被检测出。
5. device device: 训练运行的设备。该参数指定了模型训练所使用的设备例如使用 GPU 运行可以指定为 cuda device0或者使用多个 GPU 运行可以指定为 device0,1,2,3如果没有可用的 GPU可以指定为 devicecpu 使用 CPU 进行训练。
6. workers workers: 数据加载时的工作线程数。在数据加载过程中可以使用多个线程并行地加载数据以提高数据读取速度。这个参数确定了加载数据时使用的线程数具体的最佳值取决于硬件和数据集的大小。windows系统注意设置为0windows系统下需设置为0否则会报错 RuntimeError: An attempt has been made to start a new process before the current process has finished its bootstrapping phase。
这是因为在linux系统中可以使用多个子进程加载数据而在windows系统中不能。 7. optimizer
optimizer: 选择要使用的优化器。优化器是深度学习中用于调整模型参数以最小化损失函数的算法。可以选择不同的优化器如 ‘SGD’、‘Adam’、‘AdamW’、‘RMSProp’根据任务需求选择适合的优化器。
2.2 在win系统中进行训练
在开始训练之前文件参考目录如下 我这里直接加载yolovn8预训练模型进行训练训练代码train.py内容如下
from ultralytics import YOLO
modelYOLO(yolov8n.pt)
model.train(data./data.yaml,imgsz(640,640),workers0,batch32,epochs60)
需要注意的是目录下最好提前下载好预训练模型我这里是yolov8n.pt)如果没有提前下载好运行train.py还是会ultralytics官网下载由于外网的缘故此时可能会出现网络问题。
紧接着我们在anaconda中切换到提前已经配置好的yolo8环境然后python命令运行train.py 之后控制台窗口会有一系列的日志输出 此时训练成功。经过一段时间等待之后在目录下的runs文件夹下会自动生成训练过程记录包含模型权重、混淆矩阵、PR曲线、loss曲线等 2.3 在linux系统中进行训练
在linux系统中我们可以加大workers(数据加载时的工作线程数)从而加快训练速度代码跟win系统基本保持一致
from ultralytics import YOLO
modelYOLO(yolov8n.pt)
model.train(data./data.yaml,imgsz(640,640),workers16,batch32,epochs60)
值得注意的是无论是在win系统中还是linux系统中都要根据自己电脑、服务器的算力去选择合适的workers和batch设置过小训练速度慢设置过大会out of memory.
