深圳网站设计制作建设,百度网,品牌推广与传播,工信部网站备案验证码做自己第一次使用Yolov8训练的记录
1、下载代码
官网的我没找到对应的视频教程#xff0c;操作起来麻烦#xff0c;一下这个链接的代码可以有对应bilibili教程#xff1a;完整且详细的Yolov8复现训练自己的数据集
选择这个下载#xff1a; 2、安装需要的包#xff1a; …做自己第一次使用Yolov8训练的记录
1、下载代码
官网的我没找到对应的视频教程操作起来麻烦一下这个链接的代码可以有对应bilibili教程完整且详细的Yolov8复现训练自己的数据集
选择这个下载 2、安装需要的包
按照对应bilibili教程完成
【包会YOLOv8训练自己的数据集】 https://www.bilibili.com/video/BV1o44y1w77C/?share_sourcecopy_webvd_sourcec87a195bcc1df47a24018e5bbe3057d5 pip install ultraytics 报错1no matching distribution found for ultraytics
或者WARNING: Retrying (Retry(total1, connectNone, readNone, redirectNone, statusNone)) after connection broken by NewConnectionError(pip._vendor.urllib3.connection.H TTPSConnection object at 0x000002032A838340: Failed to establish a new connecti
并且按照网上换了好多源都不行
解决直接去下载whl文件然后放到工程文件中直接安装
下载地址ultralytics · PyPI 安装方法见我的whl文件下载安装笔记。 报错2Error: No such command ‘predict‘.
解决 执行命令
python setup.py install 3、准备自己的数据集、设置等
数据集的coco转txt来自原作者coco格式数据转为yolo格式(json转txt - 微风的文章 - 知乎 https://zhuanlan.zhihu.com/p/350335237
为防止作者删除这里搬过来。修改1214 62行改为自己数据集的位置运行即可
更新这个代码是旧版本多个类别容易报错更新的版本见作者链接或者后面我有补充。
#COCO 格式的数据集转化为 YOLO 格式的数据集
#--json_path 输入的json文件路径
#--save_path 保存的文件夹名字默认为当前目录下的labels。import os
import json
from tqdm import tqdm
import argparseparser argparse.ArgumentParser()
#这里根据自己的json文件位置换成自己的就行
parser.add_argument(--json_path, defaultE:/data/COCO2017/annotations_trainval2017/annotations/instances_train2017.json,typestr, helpinput: coco format(json))
#这里设置.txt文件保存位置
parser.add_argument(--save_path, defaultE:/data/COCO, typestr, helpspecify where to save the output dir of labels)
arg parser.parse_args()def convert(size, box):dw 1. / (size[0])dh 1. / (size[1])x box[0] box[2] / 2.0y box[1] box[3] / 2.0w box[2]h box[3]
#round函数确定(xmin, ymin, xmax, ymax)的小数位数x round(x * dw, 6)w round(w * dw, 6)y round(y * dh, 6)h round(h * dh, 6)return (x, y, w, h)if __name__ __main__:json_file arg.json_path # COCO Object Instance 类型的标注ana_txt_save_path arg.save_path # 保存的路径data json.load(open(json_file, r))if not os.path.exists(ana_txt_save_path):os.makedirs(ana_txt_save_path)id_map {} # coco数据集的id不连续重新映射一下再输出with open(os.path.join(ana_txt_save_path, classes.txt), w) as f:# 写入classes.txtfor i, category in enumerate(data[categories]):f.write(f{category[name]}\n)id_map[category[id]] i# print(id_map)#这里需要根据自己的需要更改写入图像相对路径的文件位置。list_file open(os.path.join(ana_txt_save_path, train2017.txt), w)for img in tqdm(data[images]):filename img[file_name]img_width img[width]img_height img[height]img_id img[id]head, tail os.path.splitext(filename)ana_txt_name head .txt # 对应的txt名字与jpg一致f_txt open(os.path.join(ana_txt_save_path, ana_txt_name), w)for ann in data[annotations]:if ann[image_id] img_id:box convert((img_width, img_height), ann[bbox])f_txt.write(%s %s %s %s %s\n % (id_map[ann[category_id]], box[0], box[1], box[2], box[3]))f_txt.close()#将图片的相对路径写入train2017或val2017的路径list_file.write(E:/data/COCO2017/train2017/%s.jpg\n %(head))list_file.close() 都按照对应bilibili教程完成
【包会YOLOv8训练自己的数据集】 https://www.bilibili.com/video/BV1o44y1w77C/?share_sourcecopy_webvd_sourcec87a195bcc1df47a24018e5bbe3057d5
设置训练类别 4、训练
用以下指令
yolo train dataD:\documents\Learn\DeepLearning_Code\BySomeone\LunWen_FuXian\ultralytics-main\datasets\my_data.yaml modelyolov8m.yaml pretrainedD:\documents\Learn\DeepLearning_Code\BySomeone\LunWen_FuXian\ultralytics-main\yolov8m.pt epochs200 imgsz640 batch4 resumeTrue
data、model 、pretrained等参数根据自己的电脑改batch4 我看别人是3050设置的4就设置了
报错3OMP: Error #15: Initializing libiomp5md.dll, but found libiomp5md.dll already initialized.
解决用以下软件搜索所有的libiomp5md.dll是不是当前环境存在两个libiomp5md.dll是则删除一个我删除的是Libary/bin/libiomp5md.dll这个 5、完成看到开始训练 其他
①测试测试集主要是把train改为val再把splittest加上
yolo val datadatasets\EL_img\my_data.yaml modelruns\detect\train6\weights\best.pt imgsz640 batch4 splittest
②继续训练 把model 直接改为刚才训练的last.pt文件的地址就可以了
yolo train dataD:\documents\Learn\DeepLearning_Code\BySomeone\LunWen_FuXian\ultralytics-main\datasetsmy_data.yaml modelruns\detect\train14\weights\last.pt epochs200 batch4 resumeTrue
报错4在换多个类别数据的时候coco转txt出现了问题报错如下ignoring corrupt image/label : Label class 4 exceeds dataset class count 2. Possible class labels are 0-1。
找了一个多小时了才发现不是代码的错是数据转换的时候出现的标签的映射问题因为COCO官方数据集的标签是不连续的假如只有80类categories却到了90直接转的话yolo读取标签会出错。
解决方法来自知乎某大佬的更新的coco转txt的新版本的脚本原链接如下coco格式数据转为yolo格式(json转txt - 微风的文章 - 知乎https://zhuanlan.zhihu.com/p/350335237
代码如下修改7,8 行改为自己的位置运行即可。 import os
import json
from tqdm import tqdm
import argparseparser argparse.ArgumentParser()
parser.add_argument(--json_path, default./instances_val2017.json,typestr, helpinput: coco format(json))
parser.add_argument(--save_path, default./labels, typestr, helpspecify where to save the output dir of labels)
arg parser.parse_args()def convert(size, box):dw 1. / (size[0])dh 1. / (size[1])x box[0] box[2] / 2.0y box[1] box[3] / 2.0w box[2]h box[3]x x * dww w * dwy y * dhh h * dhreturn (x, y, w, h)if __name__ __main__:json_file arg.json_path # COCO Object Instance 类型的标注ana_txt_save_path arg.save_path # 保存的路径data json.load(open(json_file, r))if not os.path.exists(ana_txt_save_path):os.makedirs(ana_txt_save_path)id_map {} # coco数据集的id不连续重新映射一下再输出for i, category in enumerate(data[categories]): id_map[category[id]] i# 通过事先建表来降低时间复杂度max_id 0for img in data[images]:max_id max(max_id, img[id])# 注意这里不能写作 [[]]*(max_id1)否则列表内的空列表共享地址img_ann_dict [[] for i in range(max_id1)] for i, ann in enumerate(data[annotations]):img_ann_dict[ann[image_id]].append(i)for img in tqdm(data[images]):filename img[file_name]img_width img[width]img_height img[height]img_id img[id]head, tail os.path.splitext(filename)ana_txt_name head .txt # 对应的txt名字与jpg一致f_txt open(os.path.join(ana_txt_save_path, ana_txt_name), w)for ann in data[annotations]:if ann[image_id] img_id:box convert((img_width, img_height), ann[bbox])f_txt.write(%s %s %s %s %s\n % (id_map[ann[category_id]], box[0], box[1], box[2], box[3]))# 这里可以直接查表而无需重复遍历for ann_id in img_ann_dict[img_id]:ann data[annotations][ann_id]box convert((img_width, img_height), ann[bbox])f_txt.write(%s %s %s %s %s\n % (id_map[ann[category_id]], box[0], box[1], box[2], box[3]))f_txt.close()
