网站建设设计大作业,网站怎么建立支付平台,徐州市城乡建设局网站首页,wordpress返回顶部目录
前言
一、使用labelimg制作数据集
1.1、下载labelimg
1.2、安装库并启动labelimg
1.4、制作YOLO数据集
二、使用YOLOv8训练模型
2.1、下载库——ultralytics #xff08;记得换源#xff09;
2.2、数据模板下载
2.3、开始训练
1、启动train.py#xff0c;进行…目录
前言
一、使用labelimg制作数据集
1.1、下载labelimg
1.2、安装库并启动labelimg
1.4、制作YOLO数据集
二、使用YOLOv8训练模型
2.1、下载库——ultralytics 记得换源
2.2、数据模板下载
2.3、开始训练
1、启动train.py进行训练
2、我们可以直接使用命令进行训练
三、其他问题
1、训练时为什么会生成labels.cache文件
2、YOLOv8的训练图像和相应的标注文件应该放同一个文件夹里吗还是应该分开放
3、yolov8训练自己的模型大概需要多少图片作为训练集效果合适又需要训练多少轮呢
4、yolov8训练时会十分浪费电吗
四、推荐视频与文章
1、视频
2、文章 前言 python版本 3.6 【我的是3.9】 pip换源【方便后续库的安装】记录pip问题解决下载慢的问题、升级失败问题_pip升级太慢_Pan_peter的博客-CSDN博客每次我都是针对某一个库安装出错然后去排查问题十分浪费时间在此记录引以为戒不推荐使用pycharm上面的库安装因为没有明显的报错提示无法很好的判断问题所在当电脑存在多个版本python的时候记得使用pip -version查看使用的是哪一个版本https://blog.csdn.net/Pan_peter/article/details/129553679 一、使用labelimg制作数据集
1.1、下载labelimg
下载链接
mirrors / tzutalin / labelimg · GitCodeLabelImg is now part of the Label Studio community. The popular image annotation tool created by Tzutalin is no longer actively being developed, but you can check out...https://gitcode.net/mirrors/tzutalin/labelimg?utm_sourcecsdn_github_accelerator 下载压缩包后解压即可【解压的路径最好不要有中文】 我的路径E:\labelimg 1.2、安装库并启动labelimg 1、根据所需的红线一个个安装即可 如果不会用pycharm下载的话直接打开控制台 # 记得换源
pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple
pip config set install.trusted-host mirrors.aliyun.com# 安装lxml
pip install lxml# 安装pyqt5
pip install pyqt5 2、在【命令提示符】中启动labelimg C:\Users\PANe:E:\cd labelimgE:\labelimgpyrcc5 -o libs/resources.py resources.qrcE:\labelimgpython labelimg.py pyrcc5 -o libs/resources.py resources.qrc 是一个在终端命令行界面中执行的命令。 它的含义是将名为 resources.qrc 的文件编译成 Python 代码并将输出保存到名为 libs/resources.py 的文件中。 在这个命令中 pyrcc5 是用来处理 Qt 资源文件 (.qrc) 的命令行工具-o libs/resources.py 指定输出文件的位置和名称resources.qrc 是要编译的资源文件的名称。 该命令通常用于将 Qt 的资源文件编译成 Python 代码便于在 Python 应用程序中使用例如通过 PyQt 或 PySide 模块进行访问。 启动成功 1.4、制作YOLO数据集 1、切换为YOLO格式 2、打开目录【那目录中存在我们的目标照片】 3、选择存放目录【用来保存我们标定的数据集】 4、开始标定 按w后按左键进行拖拽详细操作可以跳转进行学习还有class类的自定义 注意 将键盘输入法切换为英文按“W”键labelimg中会出现下图中的十字线按住鼠标左键将目标纳入方格区域内注意方格区域要尽可能的小可以设置为自动保存 快速操作http://t.csdn.cn/ecW9v 自定义类打开data/predefined_classes.txt可以修改默认类别 5、检查数据集 至此数据集制作完成 二、使用YOLOv8训练模型
2.1、下载库——ultralytics 记得换源
记录pip问题解决下载慢的问题、升级失败问题_pip升级太慢_Pan_peter的博客-CSDN博客 pip install ultralytics
2.2、数据模板下载 yolov8-test.zip - 蓝奏云 目录结构 E:.
│ img.png
│ predit.py
│ train.py
│ yolov8n.pt
│ 命令.txt
│
└─data│ cat.yaml│ yolov8n.yaml│├─test│ ├─images│ │ 8.jpg│ ││ └─labels│ 8.txt│├─train│ │ labels.cache│ ││ ├─images│ │ 1.jpg│ │ 2.jpg│ │ 3.jpg│ │ 4.jpg│ │ 5.jpg│ │ 6.jpg│ │ 7.jpg│ ││ └─labels│ 1.txt│ 2.txt│ 3.txt│ 4.txt│ 5.txt│ 6.txt│ 7.txt│└─val│ labels.cache│├─images│ 9.jpg│└─labels9.txt cat.yaml的内容 【路径中最好不要有中文】 train: E:/yolov8-test/data/train
val: E:/yolov8-test/data/val
test: E:/yolov8-test/data/test# number of classes
nc: 1# class names
names: [cat] 这是一份YOLOv8的配置文件其中包括以下三个配置项 train: E:/yolov8-test/data/train/images 指定训练数据集的路径本例中设置为E:/aaaa/data/train。 images包含所有的训练图像, labels相应的标注文件。 val: E:/yolov8-test/data/val/images 指定验证数据集的路径本例中设置为E:/aaaa/data/val。验证数据集是用来测试训练模型的它与训练数据集类似。 images包含所有的训练图像, labels相应的标注文件。 test: E:/yolov8-test/data/test/images 指定测试数据集的路径本例中设置为E:/aaaa/data/test。 测试数据集是在训练结束后用来检测模型精度的数据集。 images包含所有的训练图像, labels相应的标注文件。 nc: 1 指定数据集中的类别数量本例中设置为1即一个类别猫咪。 names: [cat] 指定类别的名称本例中只有一个类别名称为cat。 总之 images目录下存放数据集的图片文件。 labels目录下存放标注文件。 一般按照7:2:1的比例进行存放比如 你有100张图片和100个label那么 train中有70张图片和70个labelval中有20张图片和20个labeltest中有10张图片和10个label 2.3、开始训练 1、启动train.py进行训练 打开train.py选择cat.yaml配置文件和yolov8n.pt模型开始训练 2、我们可以直接使用命令进行训练 # YOLO训练模型
yolo taskdetect modetrain modelyolov8n.pt data./data/cat.yaml epochs100 imgsz640 resumeTure# YOLO断续训练
yolo taskdetect modetrain modelrun/detect/train2/weights/last.pt data./data/cat.yaml epochs100 imgsz640 resumeTure 三、其他问题 1、训练时为什么会生成labels.cache文件 在YOLOv8中默认情况下会生成名为labels.cache的文件该文件记录了训练数据集中的图像标签信息包括图像文件路径和标签信息。 该文件的作用是加速模型训练过程中的数据读取和加载从而提高训练速度。 在模型训练过程中需要将训练数据集中的图像文件和标签信息加载到内存中进行训练而对于大规模的数据集这个过程可能会非常耗时影响训练效率。为了避免这个问题YOLOv8通过生成labels.cache文件的方式将图像文件和标签信息预先读取并缓存到内存中训练过程中可以直接从缓存中读取数据减少了训练时的IO操作从而大幅度缩短了训练时间。 此外缓存的图像数据和标签信息属于原始训练数据集不会改变图片的数据和标签信息这意味着可以在缓存文件中进行快速的训练而无需频繁地重新读取原始数据集。这种方法可以有效地缩短模型训练的时间并提高训练效率和精度。 2、YOLOv8的训练图像和相应的标注文件应该放同一个文件夹里吗还是应该分开放 YOLOv8的训练需要使用图像文件和相应的标注文件通常来讲这些文件的命名对应方式需要相同 例如图像文件名为image001.jpg那么相应的标注文件应该命名为image001.txt。 至于这些文件应该分别放在哪里是一种较为灵活的安排。通常情况下它们可以放在同一个文件夹里以便于管理和处理。这样可以方便地查找图片和对应的标注文件而且文件夹的名称可以根据具体任务、类别和编号等方式进行命名便于进行管理和实验效果的观察。 当然您也可以将图像文件和相应的标注文件分别放在不同的文件夹中而文件夹的名称可以根据具体任务要求进行命名例如划分成训练集training set和测试集test set。一般来讲这样的做法对于数据管理和处理来说比较繁琐但对于某些特定任务的处理可能会有帮助。 综上所述将图像文件和相应的标注文件放在同一个文件夹中是比较常见的做法但也需要根据实际情况进行具体的安排。 3、yolov8训练自己的模型大概需要多少图片作为训练集效果合适又需要训练多少轮呢 YoloV8的训练数量并没有一个固定的标准通常的做法是根据自己的数据量和特定任务的困难程度来设计数据集大小。 一般来说训练集的大小应该足够覆盖任务中的各种不同场景和对象以确保模型具备较好的鲁棒性。为了取得较好的训练效果建议训练集至少要有1000张图片最好有数万张图片。 同时训练集中每个类别的数量也需要足够。如果某个类别的样本数量太少可能导致模型无法很好地学习该类别的特征从而导致训练不充分而无法取得理想的效果。因此建议每个类别至少有几百张训练图片。 对于训练次数一般可以通过观察模型在验证集上的表现来确定。如果模型在验证集上的表现不断提升那么可以逐渐增加训练轮数直到模型在验证集上的表现达到一个 稳定的状态。 通常训练轮数越多模型的性能会越好但是过多的训练轮数可能导致过拟合所以需要在充分训练的同时避免过度拟合。常见的训练轮数通常在50-200轮之间。 4、yolov8训练时会十分浪费电吗 YoloV8是一种非常先进的目标检测算法因其检测速度快、精度高而被广泛应用于计算机视觉领域。 在训练阶段YoloV8需要使用大量的计算资源包括CPU、GPU、Memory等。由于训练需要运算量比较大因此在计算资源不足的情况下使用YoloV8训练会十分浪费电。 如果你要使用YoloV8进行训练建议使用高性能显卡例如NVIDIA RTX 3090等这样可以大大减少训练时间也能降低电能消耗。同时使用最新的深度学习框架例如PyTorch、TensorFlow等也能提升训练效率和准确性从而避免出现浪费电的情况。 另外还可以使用电力管理软件来监控计算机的电量消耗并进行一些优化设置例如关闭不必要的应用程序、降低屏幕亮度等。这样不仅可以节省电力还可以 prolong电池寿命。 5、在yolov8中yaml中的文件只指向了图片位置但程序仍然可以找到同级文件夹中的label标定数据这是为什么 在 YOLOv8 中当你通过指定 YAML 配置文件来指定图像文件的位置时实际上在执行 YOLOv8 程序时程序会默认去同级目录下找到与该图像文件同名的 .txt 标注文件。 这是因为 YOLO 系列算法中目标检测任务需要同时标定图像中检测目标的位置、类别和置信度等信息所以除图像外还需要提供对应的标注信息。在 YOLOv8 中.txt 标注文件与对应图像文件同名其格式也是固定的每一行表示一个标注框的信息其中包括车辆类别、中心点坐标、边界框宽高、以及置信度等信息。 因此无论你通过配置文件指定哪个图像文件程序在执行时都会去同级目录寻找相同文件名的 .txt 文件作为该图像的标注信息。这种设计简化了数据集的管理和使用并且减少了用户在制作数据集时的操作繁琐程度。 6、为什么要将.pt模型导出为onnx 1、平台无关性ONNX是一种跨平台的深度学习模型交换格式可以在不同的深度学习框架和硬件平台之间进行方便的转换和部署提高部署的灵活性。 2、快速预测ONNX格式的模型具有非常快的推理速度和较低的内存占用这意味着在运行推理任务时可以更快地完成可以提高推理速度和性能并减少计算资源的使用。 3、生态环境ONNX格式受到了众多深度学习框架以及众多硬件加速平台的支持可以使用多种语言和平台进行部署使得训练后的模型可以被更广泛的应用所使用。 因此将YOLOv8训练得到的模型导出为ONNX格式有助于更好地部署模型并在不同的框架和平台之间进行快速交换和移植提高模型的效用和可用性。 7、如何快速入门 YOLOv5 准备输入数据YOLOv5 需要训练数据以便在其上进行训练。你需要一个包含图像及其注释的数据集。YOLOv5 接受 COCO 格式或自定义格式的注释。你可以通过在 ImageNet 或 COCO 数据集上进行预训练来加快训练速度。安装 YOLOv5YOLOv5 可以通过 Clone GitHub 存储库或使用 pip 安装在本地计算机上。配置超参数通过更改 YAML 配置文件中的超参数对 YOLOv5 进行各种设置例如网络架构、训练和预测设置以及优化器参数等。训练模型运行 train.py 脚本开始训练模型。你可以通过设置训练时间来控制模型在数据集上的训练次数。转换模型: 在训练完成后使用 export.py 脚本将模型转换为 ONNX、TensorFlow Lite、TorchScript 等格式以便在设备上部署模型。运行模型在部署后你可以使用 detect.py 脚本来运行模型。 除了以上步骤外你还需要了解 YOLOv5 的原始论文和代码、深度学习基础知识、Python 编程等。确定你已具备这些基础知识后可以通过逐步完成上述步骤来快速入门 YOLOv5。 四、推荐视频与文章
1、视频
【yolov8】3分钟安装yolov8yolov8安装补充与yolo8简单实现对桌面进行实时捕捉画面推理实现。_哔哩哔哩_bilibili上期视频有很多朋友问我一些关于yolov8的问题其实我也是跟大家一样的小白很多问题我也无法帮助大家解决。就像我录的两期视频里出现了很多我知道或不知道的问题也恰恰证明了我不是什么大神而是和大伙一样的学习者罢了。视频有很多讲的不对的地方请多多包涵。, 视频播放量 2853、弹幕量 6、点赞数 42、投硬币枚数 34、收藏人数 101、转发人数 9, 视频作者 奥怪, 作者简介 无人关注只好扮酷相关视频【yolov8】从0开始搭建部署YOLOv8环境安装推理自定义数据集搭建与训练一小时掌握YOLOV8保姆级教学视频.【新】YOLOv8 YOLOv5 NCNN 安卓Android 部署运行【上一个视频发错了没录全】YOLOV8环境安装教程.YOLOV8推理教程-要修改yolov8代码的小伙伴必看不看会踩坑YOLOv8实时推理原神画面使用 YOLOv8ByteTrack 进行目标跟踪计数YOLOv8 vs YOLOv7 vs YOLOv6 vs YOLOv5实时对比YOLOV8手把手实战实时训练和部署基于YOLOv8的通用实例分割2023年最新YOLO家族又添新成员从零开始掌握YOLOv8原理及实战精准度剧增https://www.bilibili.com/video/BV1js4y1Y77w
2、文章
YOLOv8教程系列一、使用自定义数据集训练YOLOv8模型详细版教程你只看一篇-调参攻略包含环境搭建/数据准备/模型训练/预测/验证/导出等_Zhijun.liStudio的博客-CSDN博客YOLOv8教程系列一、使用自定义数据集训练YOLOv8模型详细版教程你只看一篇-调参攻略包含环境搭建/数据准备/模型训练/预测/验证/导出等https://blog.csdn.net/weixin_45921929/article/details/128673338
