YOLOv8的训练、验证、预测及导出[目标检测实践篇]

大家好，我是讯享网，很高兴认识大家。这里提供最前沿的Ai技术和互联网信息。

          这一部分内容主要介绍如何使用YOLOv8训练自己的数据集，并进行验证、预测及导出，采用代码和指令的两种方式，参考自官方文档：Detect - Ultralytics YOLOv8 Docs。实践篇不需要关注原理，只需要把流程跑通就行，所有的疑惑会在原理篇进行解释。

数据准备就是把标注好的数据，按照一定的比例划分成训练集和验证集，并且将训练集和验证集按照YOLO的格式来存放，方便训练的时候读取数据，如下图所示，train训练集中包含有images和labels两个文件夹，val验证集中包含有images和labels两个文件夹。

下面是随机划分训练集和验证集的脚本代码，只需要填充好image_dir、label_dir（标注好的图片和标签路径），train_image_dir、train_label_dir、val_image_dir、val_label_dir（生成训练集、验证集的图片和标签路径），还可以自己调整train_val_split的值来调整训练集和验证集的划分比例。

然后再配置下数据的yaml文件就行，这个文件应该填充在ultralytics-main邺lyticscfgdatasets路径下，新建一个yaml文件，命名为my_detect.yaml，填充以下信息，意思就是在加载这个yaml文件的时候，能根据里面的内容找到数据的。Path即由上面代码生成的YOLO格式的路径，name为类别的下标及名称。

终于要开始训练了，加载数据有数据的yaml文件，加载模型当然也会有模型的yaml，其路径在ultralytics-main邺lyticscfgmodelsv8yolov8.yaml，而yolov8.yaml文件只需要修改类别数即nc的值就行，如下所示：

接下来就可以开始训练了，YOLOv8推出了两种训练的方法，一种是使用脚本，一种是使用命令的方法：使用脚本进行训练的话比较容易Debug，下面是脚本的训练代码，需要注意四个点：第一是预训练权重要放在项目路径下，即邺lytics-main下面，不然在训练的时候会自动下载预训练权重的，有点麻烦；第二就是在设置模型规模（n,s,m,l,x）的时候，直接通过Model_yaml参数来设置：model_yaml=r"G:yolov8邺lytics-main邺lyticscfgmodelsv8yolov8n.yaml",虽然该路径下没有yolov8n.yaml文件，但是V8可以识别出来选择的模型类型;第三就是要在if __name__==’’__main__’’:下执行；第四就是调小workers，不然可能会报错。

下面已经开始训练了。

此外，还有其他参数可以在邺lytics-main邺lyticscfgdefault.yaml进行设置，里面有很多参数可以进行调整，可以参考官方文档进行调整，Configuration - Ultralytics YOLOv8 Docs.

直接在控制面板输入指令就行，填写的超参数和代码训练的一样就行。

在runs/train下可以看到训练过程的评估指标变化，如result.png中展示了YOLOv8在训练和验证的过程中三个损失的变化，以及precision、recall、mAP50这些值的变化，由这些数据可以看到模型是逐渐收敛的。

训练好的模型也会放在对应的weight文件夹下，会保存有最新的权重以及最好的权重。

验证其实是加载验证集，然后使用best.pt进行推理得到的各项指标数据，如下所示。

下图是输出的结果，可以看到这里加载的是train训练集（其实是因为我在配置data.yaml中填错了，这里我就不重新跑结果了），大家知道是加载验证集（在配置data.yaml中val: val中的路径文件）就行了。

这一块没啥好说的，直接贴指令了。

对图片进行预测并保存结果，可以先准备一张图片，或者把图片放进一个文件夹中，然后使用以下代码进行预测，可以看到预测结果保存的地址，注意这里预测的时候并不是640*640尺度进行预测，后面在预测原理章节会详细介绍：

由预测结果可知，其实模型训练的效果还不是很好，模型还有很大的优化空间的。

指令如下：

注意导出onnx模型时候需要设置opset=11，不然导出模型可能会报错，或者会出现警告。此外，最好设置动态导出onnx，这样模型的输入就不会仅限制在640*640，而可以是任意batch_size还有任意尺寸的图片了，并且可以同时预测batch_size张图片。

使用netron可视化onnx模型如下所示。可以和静态导出相比较，动态导出更加具有灵活性，输入的图片尺寸(height,width)或者输入图片的个数（batch）将不受限制。

指令如下：

YOLOv8的训练、验证、预测及导出[目标检测实践篇]

相关推荐