YOLOv8 训练自己的数据

YOLOv8是YOLO 的最新(20240206)版本，由Ultralytics 提供。YOLOv8 支持全方位的视觉 AI
任务，包括检测、分割、姿态估计、跟踪和分类。这种多功能性使用户能够在各种应用和领域中利用YOLOv8的功能。

本文将介绍如何快速训练自己的 YOLOv8 模型。

仓库地址: https://github.com/kekxv/YOLOv8Tutorial

YOLO:简史

YOLO(You Only Look Once）是一种流行的物体检测和图像分割模型，由华盛顿大学的约瑟夫-雷德蒙（Joseph Redmon）
和阿里-法哈迪（Ali Farhadi）开发。YOLO 于 2015 年推出，因其高速度和高精确度而迅速受到欢迎。

• 2016 年发布的YOLOv2 通过纳入批量归一化、锚框和维度集群改进了原始模型。
• 2018 年推出的YOLOv3 使用更高效的骨干网络、多锚和空间金字塔池进一步增强了模型的性能。
• YOLOv4于 2020 年发布，引入了 Mosaic 数据增强、新的无锚检测头和新的损失函数等创新技术。
• YOLOv5进一步提高了模型的性能，并增加了超参数优化、集成实验跟踪和自动导出为常用导出格式等新功能。
• YOLOv6于 2022 年由美团开源，目前已用于该公司的许多自主配送机器人。
• YOLOv7增加了额外的任务，如 COCO 关键点数据集的姿势估计。
• YOLOv8是YOLO 的最新(20240206)版本，由Ultralytics 提供。YOLOv8 支持全方位的视觉 AI
  任务，包括检测、分割、姿态估计、跟踪和分类。这种多功能性使用户能够在各种应用和领域中利用YOLOv8的功能。

更多的资料可以查看：https://docs.ultralytics.com/zh/

关于 Makefile

Makefile 一般用于c的编译辅助，但是它不只是可以用于编译，它的目标规则特性，可以让用来做一些其他的事情：

• make clean 清理缓存
• make clean-all 清理所有缓存，包括训练数据
• make install-dev 安装依赖
• make train 开始训练
• make test 测试 image/test 文件夹的识别结果
• make val 验证
• make onnx 导出 onnx 模型，其他的 ncnn以及mnn可以通过onnx模型转换
• make env 创建虚拟环境
• make labelImg 启动分类标注工具

可以查看 Makefile文件以及官方文档，手动使用 cli 进行训练等操作

开始准备

样本收集

需要准备训练样本，这个根据情况进行收集，前期做验证，可以考虑通过搜索引擎进行搜集，注意来源数据是否涉及版权以及个人隐私问题，请不要公开发布涉及版权以及个人隐私问题。

本项目提供的证件样本，均通过搜索引擎从公开网站所获取。（如果提供的样张涉及到版权或者隐私问题，请发issue，将会进行处理。）

将收集到的训练样本，放到 datasets/images/train，想要做测试的样本，放到datasets/images/test里面。

开始标注

可以根据自己的实际情况进行标注，当前项目可以考虑使用labelImg 工具进行标注。执行以下命令，将会启动labelImg标注工具。

make labelImg

labelImg 快捷键：

A 上一张

D 下一张

W 画框

建议打开自动保存

开始训练

标注完成之后，就可以开始训练了：

# 训练 epochs 10 
# make train-10
# 训练
make train

如果出现Dataset 'config.yaml' images not found ⚠️, missing path则可能路径识别错误，请将config.yaml的path
改为datasets目录的绝对路径。 增加动态修改为当前位置的配置，应该不会再出现这个问题。

训练的结果大概是：

196 epochs completed in 2.217 hours.
Optimizer stripped from runs/detect/train/weights/last.pt, 6.3MB
Optimizer stripped from runs/detect/train/weights/best.pt, 6.3MB
 ..... 
Validating runs/detect/train/weights/best.pt...
Speed: 1.0ms preprocess, 132.0ms inference, 0.0ms loss, 0.4ms postprocess per image
Results saved to runs/detect/train
💡 Learn more at https://docs.ultralytics.com/modes/train
#yolo task=detect mode=train weight_decay=0.001 box=4.5 model=yolov8x.pt data=config.yaml batch=-1 imgsz=640 epochs=10

如果没有出现报错，则表示训练完成。

测试模型

测试模型效果，可以将图片放到 datasets/images/test ，然后执行：

make test

测试的结果将会保存在目录runs/detect/predict(序号)，根据输出的日志查看。

如果效果可以，则可以考试正式的数据训练😁。

导出为 ONNX

默认的模型格式为.pt，如果是服务器进行识别，则可以考虑直接使用，如果是想要边缘计算或者不想使用.pt
的模型，可以考虑导出为onnx模型，只需要执行:

make onnx

则可以直接导出为onnx格式模型。

额外说明

支持系统

目前只在 Linux以及macOS测试，windows可以考虑使用 wsl 进行训练。后续增加windows支持。 windows 建议使用wsl，或者 powershell 进行操作。

windows系统注意

需要手动安装 python3，make，cmake（用于onnx，如果不需要可以不装）。

训练卡住问题

如果开始训练出现卡住的问题，可能是无法访问https://ultralytics.com
，可以检查一下网络环境，或者尝试将front/Arial.ttf字体加入到系统。再进行训练

关于 labelImg

labelImg 需要使用 python3.9 的版本，其他版本会有bug，无法保存

关于安装：

make install-dev

激活虚拟环境

. env/bin/activate

退出虚拟环境

deactivate

训练：

yolo task=detect mode=train model=yolov8n.pt data=config.yaml batch=-1 imgsz=640 epochs=100

相关文档

yolov8 文档
https://docs.ultralytics.com/zh/quickstart/

在线转换模型类型：
https://convertmodel.com