YoloV8详细训练教程.
相信各位都知道yolov8发布了，也是U神大作，而且V8还会出论文喔！
2023.1.17 更新 yolov8-grad-cam热力图可视化链接
2023.1.20 更新 YOLOV8改进-添加EIoU,SIoU,AlphaIoU,FocalEIoU 链接
2023.1.30 更新 如果你需要修改或者改进yolov8的代码 务必请看这个视频链接 因为修改代码需要用另外一种方式去使用yolov8，不可以把yolov8的代码装到python环境里面。 并支持同时使用yaml初始化模型并载入预训练权重！
2023.1.30 更新 B站教学视频链接 YOLOV8改进-添加注意力机制 附带几十种注意力机制代码.
2023.2.8 更新 B站教学视频链接 YOLOV8改进-添加Wise-IoU.
2023.2.12 更新 B站教学视频链接 YOLOV8改进-添加可变形卷积(DCNV2).
2023.2.16 更新 B站教学视频链接 YOLOV8重大更新-支持目标跟踪.
2023.2.26 更新 B站教学视频链接 YOLOV8教程-resume继续上一次的训练.
2023.2.26 更新 B站教学视频链接 可视化并统计预测结果的TP，FP，FN
2023.2.26 更新 B站教学视频链接 YOLOV8重大更新-支持Anchor-Free YOLOV5结构并make great again！！！
重磅！！！！！ YOLO模型改进集合指南-CSDN
YoloV8精度和结构和改动简介
YoloV8精度对比：
Yolov8结构图：
YoloV8相对于YoloV5的改进点：
- Replace the C3 module with the C2f module.
- Replace the first 6x6 Conv with 3x3 Conv in the Backbone.
- Delete two Convs (No.10 and No.14 in the YOLOv5 config).
- Replace the first 1x1 Conv with 3x3 Conv in the Bottleneck.
- Use decoupled head and delete the objectness branch.
- anchor free.
重点来了！如何训练我们的yolov8模型？
哔哩哔哩Yolov8视频教学地址(配合本博文，包你秒懂！) (不用修改yolov8 纯使用的话 看这个)
1. 下载源码和准备数据集
代码链接:yolov8_github,本次其github的名字没有直接命名为yolov8。
数据集本次博主准备了一个小数据集，关于口罩目标检测数据集，数据集方面只要是voc和yolo格式都可以，下面会有转换脚本的示例。那么各位看官使用自己的数据集就可以，我这里就不提供下载我的数据集了(偷个懒!)。
2. 配置环境(yolov8从0开始安装环境哔哩哔哩视频教学地址)
- 首先推荐使用anaconda作为你的python环境，代码工具可以使用vscode或者pycharm，这个根据使用者爱好，这边我使用的是pycharm，那么这里默认各位已经准备好anaconda和(vscode或者pycharm)，不会安装的话可以百度一下，这方面的教程都非常丰富。
- 安装torch和torchvision
你可以在这个pytorch官网中找到对应的安装命令，这里版本要求推荐torch==1.12.0+，下面贴出torch==1.12.0的各项安装命令，各位看官可以根据自己的电脑情况进行选择
CUDA 11.6
pip install torch==1.12.0+cu116 torchvision==0.13.0+cu116 --extra-index-url https://download.pytorch.org/whl/cu116
CUDA 11.3
pip install torch==1.12.0+cu113 torchvision==0.13.0+cu113 --extra-index-url https://download.pytorch.org/whl/cu113
CUDA 10.2
pip install torch==1.12.0+cu102 torchvision==0.13.0+cu102 --extra-index-url https://download.pytorch.org/whl/cu102
CPU only
pip install torch==1.12.0+cpu torchvision==0.13.0+cpu --extra-index-url https://download.pytorch.org/whl/cpu - 在代码目录下运行python setup.py install.
运行后其会安装一些其依赖的包，会输出比较多的信息，怎么判断自己是否安装成功，主要是看最后输出是否有Finished processing dependencies for ultralytics即可.
3. 处理数据集
本博主的github上有适用于yolov3,v5,v7,v8的数据集转换脚本，其使用教程如下：
VOC标注格式数据集使用示例
- 把图片存放在dataset\VOCdevkit\JPEGImages中，图片后缀需要一致，比如都是jpg或者png等等，不支持混合的图片后缀格式，比如一些是jpg，一些是png。
- 把VOC标注格式的XML文件存放在dataset\VOCdevkit\Annotations中。
- 运行xml2txt.py,在这个文件中其会把Annotations中的XML格式标注文件转换到txt中的yolo格式标注文件。其中xml2txt.py中的postfix参数是JPEGImages的图片后缀,修改成图片的后缀即可，默认为jpg。比如我的图片都是png后缀的，需要把postfix修改为png即可。其中运行这个文件的时候，输出信息会输出你的数据集的类别，你需要把类别列表复制到data.yaml中的names中，并且修改nc为你的类别数，也就是names中类别个数。
- 运行split_data.py,这个文件是划分训练、验证、测试集。其中支持修改val_size验证集比例和test_size测试集比例，可以在split_data.py中找到对应的参数进行修改，然后postfix参数也是你的图片数据集后缀格式，默认为jpg，如果你的图片后缀不是jpg结尾的话，需要修改一下这个参数。
YOLO标注格式数据集使用示例
- 把图片存放在dataset\VOCdevkit\JPEGImages中，图片后缀需要一致，比如都是jpg或者png等等，不支持混合的图片后缀格式，比如一些是jpg，一些是png。
- 把YOLO标注格式的TXT文件存放在dataset\VOCdevkit\txt中。
- 运行split_data.py,这个文件是划分训练、验证、测试集。其中支持修改val_size验证集比例和test_size测试集比例，可以在split_data.py中找到对应的参数进行修改，然后postfix参数也是你的图片数据集后缀格式，默认为jpg，如果你的图片后缀不是jpg结尾的话，需要修改一下这个参数。
- 在data.yaml中的names设置你的类别，其为一个list，比如我的YOLO标注格式数据集中，0代表face，1代表body，那在data.yaml中就是names:[‘face’, ‘body’]，然后nc:2，nc就是类别个数。
VOC数据集操作示例
本博主准备的是voc标注格式的数据集，我们先把图片和VOC标注文件放到以下两个文件夹中：
然后运行xml2txt.py，其中这个文件有一个postfix参数，其为你图像的后缀格式，默认为jpg，如果你的图像是bmp或者png可以修改这个参数，当然其不支持混合的后缀格式，其会导致输出文件找不到的错误信息，这个请大家注意！运行后会输出以下：
我们需要把最后的输出[‘mask’, ‘face’]复制到data.yaml的names中，并且nc修改为自己数据集的类别数，也就是names列表的长度，本数据集为2.如下所示：
而且你会发现在dataset/VOCdevkit/txt里面会生成了对应的yolo格式的标注文件
YOLO数据集操作教程
对于yolo标注格式的数据集，我们直接把图像和对应的yolo标注文件放到dataset\VOCdevkit\JPEGImages和dataset\VOCdevkit\txt即可，然后在data.yaml中填写自己数据集的类别对应关系和类别数量即可。
分割数据集
无论对于VOC格式数据集还是YOLO格式数据集，按照上述步骤处理好后运行split_data.py，这个文件也有一个postfix参数，默认为jpg，如果自己的数据集不是jpg后缀的话，请自行修改，当然不支持混合后缀格式，请大家注意！split_data.py中还有val_size，test_size参数，其为比例系数，默认为0.1，0.2，如有需要请自行修改。运行成功后，其会自动创建下图这些文件夹，然后把对应的图片和标签文件复制到对应的文件夹中。
当你完成这一步的时候，数据集就处理完成。
4. 训练
训练过yolov5的都清楚，其会有一些配置文件和参数，但是这次v8稍有不同，其参数全部都存到一个yaml配置文件里面，就是其train.py是没有参数可以调整的，只需要在那个yaml配置文件里面进行修改即可，其路径为：ultralytics/yolo/configs/default.yaml，接下来对一些重点的参数进行讲解：
- model
pt模型路径或者yaml模型配置文件路径。这次的v8稍有不同，这个model参数可以是pt也可以是yaml。- pt
相当于使用预训练权重进行训练，比如选择为yolov8n.pt，就是训练一个yolov8n模型，并且训练前导入这个pt的权重。 - yaml
相当于直接初始化一个模型进行训练，比如选择为yolov8n.yaml，就是训练一个yolov8n模型，权重是随机初始化。
- pt
- data
数据配置文件的路径，也就是第三点中的data.yaml。 - epochs
训练次数。 - patience
在精度持续一定epochs没有提升时，过早停止训练。也就是早停机制。 - batch
batch size大小。 - imgsz
输入图像大小。 - save
是否保存模型。 - cache
是否采用ram进行数据载入，设置True会加快训练速度，但是这个参数非常吃内存，一般服务器才会设置。 - device
所选择的设备训练。 - workers
载入数据的线程数。windows一般为4，服务器可以大点，windows上这个参数可能会导致线程报错，发现有关线程报错，可以尝试减少这个参数，这个参数默认为8，大部分都是需要减少的。 - project
project name.一个保存文件夹的名字，一般不用改动。 - name
训练保存的文件夹名字。 - exist_ok
是否覆盖现有的保存文件夹。 - pretrained
是否使用预训练模型，这个参数我并没有使用，因为在model参数中我直接设置pt模型路径。 - optimizer
优化器选择。直接SGD、Adam、AdamW、RMSProp。 - verbose
是否打印详细输出。 - seed
随机种子。 - deterministic
设置为True，保证实验的可复现性。 - single_cls
如果你的数据集是多类别，这个参数设置为True的话，其会当做一个类别来进行训练，相当于只负责识别目标，不负责识别类别。 - image_weights
使用加权图像选择进行训练。 - rect
是否采用矩形训练。这个参数不好解释，想了解的同学可以自行百度。 - cos_lr
是否采用cor lr调度器。 - close_mosaic
默认值为10，意思就是在最后10个epochs关闭马赛克数据增强，其思想来源于YOLOX。 - resume
是否继续上一次没完成的训练。
这次的yolo训练实在是太惊艳了，就是你只需要修改配置文件，其中在配置文件中有一个task和mode的参数，task就是选择detect，我们这边做的是目标检测，mode的话，你训练就是选择train，然后运行
yolo cfg=ultralytics/yolo/configs/default.yaml 即可开始训练，太好用了！示例如下：
然后就开始训练，下面贴点训练过程输出的图：
4. 测试
这次YOLOV8的测试参数比之前的少，其解释如下：
- val
我的理解是：设置为True就是计算验证集指标，设置为False就是计算测试集指标
但是我测试的时候无论是True或者False都是计算验证集，可能是一个bug，毕竟刚出不久，代码架构改动这么大，期待后续更新。 - save_json
是否把结果保存为json file。 - save_hybrid
是否把结果保存为hybrid version of labels。这个我也不知道什么来的，没用过，大家可以设置为True看看，估计就是一种保存的格式。 - conf
置信度。 - iou
iou阈值。 - max_det
最大检测数量。 - half
是否使用fp16测试。 - dnn
使用opencv的dnn进行onnx推理。 - plots
配置文件中给的注释是show plots during training，有兴趣可以设置为True和False对比一下。
需要注意的是需要把mode改为val，然后Train settings中的model参数修改为你训练保存的模型文件，如下：
验证集测试结果如下：
5.推理
推理部分参数解释：
- source
这个参数跟之前的yolov5一致，可以输入图片路径，图片文件夹路径，视频路径。 - show
配置文件中给的解释是show results if possible，不太能理解，有兴趣可以设置为True or False进行对比看看。 - save_txt
是否把识别结果保存为txt。 - save_conf
保存为txt过程中是否保存目标的置信度。 - save_crop
是否把目标进行裁剪下来进行保存。 - hide_label
保存识别的图像时候是否隐藏label。 - hide_conf
保存识别的图像时候是否隐藏置信度。 - vid_stride
视频检测中的跳帧帧数。 - line_thickness
目标框中的线条粗细大小。 - visualize
配置文件中给的解释是visualize results，不太能理解，有兴趣可以设置为True or False进行对比看看。 - augment
是否使用测试数据增强。 - agnostic_nms
是否采用class-agnostic NMS。 - retina_masks
配置文件中给的解释是use retina masks for object detection，没了解过，有兴趣可以设置为True or False进行对比看看。
需要注意的是需要把mode改为detect，然后Train settings中的model参数修改为你训练保存的模型文件，即可进行推理：
一些检测的效果图：
如果内容对你有帮助，麻烦点个赞，谢谢！
来源地址：https://blog.csdn.net/qq_37706472/article/details/128679699
