代做原创毕业设计网站,免费建网站教程,网站栏目架构,ceo是什么意思是什么职位序言
yolov8发布这么久了#xff0c;一直没有机会尝试一下#xff0c;今天用之前自己制作的筷子点数数据集进行训练#xff0c;并且记录一下使用过程以及一些常见的操作方式#xff0c;供以后翻阅。
一、环境准备
yolov8的训练相对于之前的yolov5简单了很多#xff0c;…序言
yolov8发布这么久了一直没有机会尝试一下今天用之前自己制作的筷子点数数据集进行训练并且记录一下使用过程以及一些常见的操作方式供以后翻阅。
一、环境准备
yolov8的训练相对于之前的yolov5简单了很多也比其他框架上手要来得快因为很多东西都封装好了直接调用或者命令行运行就行首先需要先把代码git到本地
git clone https://github.com/ultralytics/ultralytics.git然后安装ultralytics库核心代码都封装在这个库里了。
pip install ultralytics再然后需要安装requirements.txt文件里需要安装的库python版本要求python3.7torch版本要求pytorch1.7.0
pip install -r requirements.txt接下来我们可以把coco权重下载下来使用命令行运行检测命令检查环境是否安装成功将权重下载下来然后新建weights文件夹存放 运行检测命令
yolo predict model./weights/yolov8n.pt source./ultralytics/assets/bus.jpg save其中的一些命令后面再仔细描述大部分情况下这个命令行都是可以运行的运行结束后图片保存在runs/detect/predict/bus.jpg中如下 至此你的环境就准备好了接下来就可以训练了。
二、数据准备
数据我使用的是之前自己制作的筷子点数数据集图片如下 标注示例
通常我们采用VOC格式的标注数据所以新建一个任意位置的文件夹记住该文件夹的绝对路径文件夹中包含如下内容
Annotations xml标注文件images 训练的图片ImageSets 用于存放划分的train.txt、test.txt、val.txt文件初始为空labels 用于存放yolo格式的标注txt文件初始为空
接下来运行如下文件路径或者类别等参数根据自己的需要修改运行该文件有两个作用
划分train、test、val数据集将voc格式标注转换为yolo格式标注
import os
import random
import xml.etree.ElementTree as ET
from os import getcwdsets [train, test, val] # 划分的train、test、val txt文件名字classes [label] # 数据集类别data_root /home/cai/data/chopsticks # 数据集绝对路径trainval_percent 0.1 # 测试集验证集比例
train_percent 0.9 # 训练集比例
xmlfilepath {}/Annotations.format(data_root)
txtsavepath {}/images.format(data_root)
total_xml os.listdir(xmlfilepath)num len(total_xml)
list range(num)
tv int(num * trainval_percent)
tr int(tv * train_percent)
trainval random.sample(list, tv)
train random.sample(trainval, tr)ftest open({}/ImageSets/test.txt.format(data_root), w)
ftrain open({}/ImageSets/train.txt.format(data_root), w)
fval open({}/ImageSets/val.txt.format(data_root), w)for i in list:name total_xml[i][:-4] \nif i in trainval:if i in train:ftest.write(name)else:fval.write(name)else:ftrain.write(name)ftrain.close()
fval.close()
ftest.close()# -------------------------------- voc 转yolo代码def convert(size, box):dw 1. / size[0]dh 1. / size[1]x (box[0] box[1]) / 2.0y (box[2] box[3]) / 2.0w box[1] - box[0]h box[3] - box[2]x x * dww w * dwy y * dhh h * dhreturn (x, y, w, h)def convert_annotation(image_id):in_file open({}/Annotations/{}.xml.format(data_root,image_id),encodingUTF-8)# print(in_file)out_file open({}/labels/{}.txt.format(data_root,image_id), w)tree ET.parse(in_file)root tree.getroot()size root.find(size)w int(size.find(width).text)h int(size.find(height).text)for obj in root.iter(object):difficult obj.find(difficult).textcls obj.find(name).textif cls not in classes or int(difficult) 1:continuecls_id classes.index(cls)xmlbox obj.find(bndbox)b (float(xmlbox.find(xmin).text), float(xmlbox.find(xmax).text), float(xmlbox.find(ymin).text),float(xmlbox.find(ymax).text))bb convert((w, h), b)out_file.write(str(cls_id) .join([str(a) for a in bb]) \n)wd getcwd()
print(wd)
for image_set in sets:if not os.path.exists({}/labels/.format(data_root)):os.makedirs({}/labels/.format(data_root))image_ids open({}/ImageSets/{}.txt.format(data_root,image_set)).read().strip().split()list_file open({}/{}.txt.format(data_root,image_set), w)for image_id in image_ids:# print(image_id)list_file.write({}/images/{}.jpg\n.format(data_root,image_id))try:convert_annotation(image_id)except:print(image_id)list_file.close()
最后得到如下文件labels和ImageSets都不再为空
二、开始训练
v8的训练很简单配置也超级简单首先第一步在ultralytics/datasets中创建我们数据集的配置文件这里我创建了一下chopsticks.yaml内容如下其实和之前的v5配置文件一样该文件中修改自己的路径和类别即可
# YOLOv5 by Ultralytics, GPL-3.0 license
# COCO 2017 dataset http://cocodataset.org by Microsoft
# Example usage: python train.py --data coco.yaml
# parent
# ├── yolov5
# └── data
# └── chopsticks ← downloads here# Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..]
path: /home/cai/data/chopsticks # dataset root dir
train: train.txt # train ImageSets (relative to path) 118287 ImageSets
val: val.txt # val ImageSets (relative to path) 5000 ImageSets
test: test.txt # 20288 of 40670 ImageSets, submit to https://competitions.codalab.org/competitions/20794# Classes
nc: 1 # number of classes
names: [label] # class names
然后就可以开始训练了训练过v5的同学可能记得还要修改一下models里的yaml文件但是V8完全不用的V8提供了两种简单的训练方式一是命令行运行直接在终端运行命令
yolo taskdetect modetrain model./weights/yolov8n.pt data./ultralytics/datasets/chopsticks.yaml epochs100 batch16 device0
task 代表任务类型mode 代表训练model 可以是yaml文件权重会初始化也可以是pt文件初始化时加载预训练模型data 你创建的数据集yaml文件epochs 训练轮次batch 训练批次device 使用0序号GPU训练
二是python文件运行创建一个trian.py文件运行python trian.py
from ultralytics import YOLO# 加载模型
# model YOLO(yolov8n.yaml) # 从头开始构建新模型
model YOLO(./weights/yolov8n.pt) # 加载预训练模型推荐用于训练# Use the model
results model.train(data./ultralytics/datasets/chopsticks.yaml, epochs100, batch16,device0) # 训练模型train过程比较顺利训练默认采用早停法即50个轮次评估中如果模型没有明显的精度提升的话模型训练会直接停止可以通过修改patience50参数控制早停的观察轮次。
训练结束后模型和训练过程保存在runs文件夹中可以看到精度其实还是不错的接下来用图片测试一下。
同样的提供两种简单的推理方式一是命令行运行
yolo taskdetect modepredict model./runs/detect/train/weights/best.pt source./40.jpg saveTrue或者创建一个demo.py文件运行python demo.py
from ultralytics import YOLO# Load a model
# model YOLO(yolov8n.yaml) # build a new model from scratch
model YOLO(./runs/detect/train/weights/best.pt) # load a pretrained model (recommended for training)# Use the model
results model(./40.jpg ) # predict on an image可以看到效果还是很不错的。
三、导出onnx
模型训练完后需要部署V8也提供了直接了如下格式模型的导出居然也支持paddlepaddle惊讶导出后可以摆脱训练框架进行部署 命令行导出命令如下
yolo export model./runs/detect/train/weights/best.pt formatonnx # export custom trained modelpython文件导出
from ultralytics import YOLO# Load a model
model YOLO(./runs/detect/train/weights/best.pt) # load a custom trained# Export the model
model.export(formatonnx)onnx文件保存在pt文件同级目录下超级简单丝滑有木有 相关数据集和代码提供百度云需要的朋友可自行下载。
链接https://pan.baidu.com/s/1k-f61kiOiMA8yf-tqgV4GA?pwd28hw 提取码28hw
