本地网站建设官网,汽车推广软文,广告设计职业生涯规划书,图像处理与网站开发一、创建 Python 虚拟环境
# 更新软件包列表#xff0c;确保你获取到最新版本的可用软件包
sudo apt update
# 安装用于创建 Python 3.10 虚拟环境#xff08;venv#xff09;的相关软件包
sudo apt install python3.10-venv -y
或
sudo apt install python3.12-venv -y…一、创建 Python 虚拟环境
# 更新软件包列表确保你获取到最新版本的可用软件包
sudo apt update
# 安装用于创建 Python 3.10 虚拟环境venv的相关软件包
sudo apt install python3.10-venv -y
或
sudo apt install python3.12-venv -y
# 使用 Python 3 创建一个名为 yolov8_env 的虚拟环境
python3 -m venv yolov8_env
# 激活名为 yolov8_env 的虚拟环境以便开始使用它
source yolov8_env/bin/activate
#查看python版本
python3 --version
二、安装必要依赖
# 安装 Python 的包管理工具 pip
sudo apt install -y python3-pip
# 升级 pip 到最新版本
pip install --upgrade pip
# 检查当前安装的 pip 版本
pip3 --version
三、 安装 YOLOv8 和 PyTorchCPU 版
# 安装 ultralytics 和 torch、torchvision 库指定使用 CPU 版本的 PyTorch
pip install ultralytics torch torchvision --index-url https://download.pytorch.org/whl/cpu
# 重新安装 torch 和 torchvision 库确保它们已安装并且是 CPU 版本
pip install torch torchvision --index-url https://download.pytorch.org/whl/cpu
# 单独安装 ultralytics 库
pip install ultralytics
# 使用 pip 列出已安装的 ultralytics 库并检查其版本
pip list | grep ultralytics
# 使用 Python 检查 YOLOv8 是否成功安装
python -c from ultralytics import YOLO; print(YOLOv8 安装成功)
四、准备数据集
# 创建用于存放训练和验证数据的目录结构
mkdir -p datasets/images/train datasets/images/val datasets/labels/train datasets/labels/val
# 递归地列出 datasets 目录下的所有文件和子目录
ls -R datasets
# 显示 datasets 目录下的文件和文件夹结构以树形图的方式展示
tree
datasets/
├── images/
│ ├── train/
│ └── val/
└── labels/├── train/└── val/#根目录创建1个文件夹(可自定义名称)
#下面创建再2个文件夹(images和labels)
# images和labels 下再分别创建2个文件夹(train和val)
# 井timages下的train和val 放入训练图片(png、jpg)# labels下的train和val 放入图片标注(txt)
#准备yaml文件
(yolov8_env) [rootadminis 16:52:08]# cat coco.yaml
path: ./datasets #数据集根目录
train: images/train #训练图片路径
val: images/val #验证集图片路径
nc: 3 #类别数量
names: [张飞,关羽,刘备] #类别名称
五、开始训练模型
yolov8_env) [rootadminis 16:49:34]# cat 1.py
from ultralytics import YOLO
import matplotlib.pyplot as plt
import os
# 强制设置字体避免中文乱码
plt.rcParams[font.family] WenQuanYi Zen Hei
plt.rcParams[axes.unicode_minus] False # 解决负号显示问题
# 训练配置
model YOLO(yolov8n.yaml) # 使用模型定义文件
results model.train(datacoco.yaml,epochs200,imgsz640,batch8, # CPU训练建议减小batchdevicecpu,workers4, # 根据CPU核心数调整cacheTrue # 启用数据缓存加速
)
# 训练结果可视化
plt.figure(figsize(10, 6))
plt.text(0.5, 0.5, YOLOv8 训练完成, hacenter, fontsize20,fontweightbold)
plt.axis(off)
plt.savefig(result.png, dpi300, bbox_inchestight)
print(f训练完成结果保存在: {os.path.abspath(result.png)})
六、加载训练好的模型
yolov8_env) [rootadminis 16:52:14]# cat 2.py
from ultralytics import YOLO
import os
# 加载训练好的模型使用绝对路径
model YOLO(/root/YOLOV8/runs/detect/train/weights/best.pt)
# 目标检测
results model.predict(source/root/YOLOV8/三国1.wmv, # 视频路径showTrue, # 实时显示检测结果saveTrue, # 保存检测结果conf0.5, # 置信度阈值save_txtTrue, # 保存标签文件save_confTrue, # 在标签中保存置信度project/root/YOLOV8/runs/detect, # 结果保存目录namepredict # 结果子目录名称
)
print(f检测完成结果保存在: {results[0].save_dir})
#模型训练完毕自动保存到\runs\detect\train2\weights
#best.pt 是训练好的最优模型适用于最终应用
#last.pt 是训练的最后一轮模型适用于训练继续
注意训练模型必须进入虚拟环境
#进入虚拟环境命令
source yolov8_env/bin/activate
