概述    

    本篇主要用于说明如何使用自己的训练数据
  
  
  
  
  
  
  
 ，快速在YOLOV8 框架上进行训练               。当前（20230116）官方文档和网上的资源主要都是在开源的数据集上进行测试  
  
  
  
  
  
  
 ，对于算法“小白
  
  
  
  
  
  
  
 ”或者“老鸟  
  
  
  
  
  
  
 ”如何快速应用到自己的项目中
 


 


 


 


 


 


 


 
，这个单纯看官方文档显得有点凌乱
 
 
 
 
 
 
 
，因为YOLOV8 不再致力于做一个单纯算法   
   
   
   
   
   
   
  ，而是想要做一个一统（分类
  
  
  
  
  
  
  
 、检测  
  
  
  
  
  
  
 、分割且多种模型）的框架
  
 
  
 
  
 
  
 
  
 
  
 
  
 
  。下面以检测为例














。

    安装
 

 

 

 

 

 

 

 
，官方提供了完整的安装方式：Quickstart - Ultralytics YOLOv8 Docs 如果希望不安装直接使用

 

 

 

 

 

 

 
，参考本文第七节 
  
  
  
  
  
  
  
。 

详细

1
 


 


 


 


 


 


 


 
、标注

        准备自己的数据                ，数据的标注格式和YOLOV5没有分别
 
 

 
 

 
 

 
 

 
 

 
 

 
 

 
，一般工业还是需要使用如labelme等标注














，格式为coco格式（class_id x y w x）xywx均需要归一化                       ，类别号从0开始 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
，一个框一行
  
  
  
  
  
  
  
 。

2
 
 
 
 
 
 
 
、目录的组织形式：

        低阶使用






















， 可无痛迁移YOLO6 YOLOv7

        以“images
 


 


 


 


 


 


 


 
” 命名图片路径               ，标签路径仅仅是将“images
 
 
 
 
 
 
 
” 变为“labels   
   
   
   
   
   
   
  ”；代码自动对应images和labels  
 
  
 
  
 
  
 
  
 
  
 
  
 
  
，所以一张图片的标签需要和图片同名（如果没有对应的label 就是认为是背景图














，没有目标）
 


 


 


 


 


 


 


 。

        高阶使用
  
  
  
  
  
  
  
 ， YOLOV6 YOLOv7 当前某些方式不支持 
 
 
 
 
 
 
 
。

        20230116 主要的源码路径为：https://github.com/ultralytics/ultralytics/blob/main/ultralytics/yolo/data/dataloaders/v5loader.py

函数“LoadImages
 

 

 

 

 

 

 

 
”用于推理  
  
  
  
  
  
  
 ，函数“LoadImagesAndLabels

 

 

 

 

 

 

 
” 用于训练
 


 


 


 


 


 


 


 
，但是并没有统一支持的数据目录存放格式
   
   
   
   
   
   
   
 。

        1）使用文件夹（列表）文件夹存储所有的训练图片（由于磁盘文件系统
 
 
 
 
 
 
 
，单个文件夹文件过多影响吞吐速度）
 

 

 

 

 

 

 

 。

单个文件夹对应配置文件的写法

path: ../datasets/VOC train: # train images (relative to path)   - images/train2007 val: # val images (relative to path)   - images/test2007 test: # test images (optional)   - images/test2007

多个文件夹对应配置文件的写法

path: ../datasets/VOC train: # train images (relative to path)   - images/train2012   - images/train2007 val: # val images (relative to path)   - images/test2007 test: # test images (optional)   - images/test2007

2）使用文本文件（列表）存储图片

单个文本文件对应配置文件的写法

path: ../datasets/VOC train: # train images (relative to path)   - train2017.txt val: # val images (relative to path)   - val2017.txt test: # test images (optional)   - test-dev2017.txt

多个文本文件对应配置文件的写法（目前20230116仅detect 推理支持   
   
   
   
   
   
   
  ，训练不支持
 

 

 

 

 

 

 

 
，需要修改源码）

path: ../datasets/VOC train: # train images (relative to path)   - train2017.txt   - train2012.txt val: # val images (relative to path)   - val2017.txt test: # test images (optional)   - test-dev2017.txt

参考源代码：

1）函数“LoadImages                ”用于推理

注意：

*可以为多个文件夹路径

 

 

 

 

 

 

 
，为相对路径

*文件名列表文本文件只支持一个文本文件                ，路径为绝对路径

*可以同时存在一个文本文件+若干目录

2）函数“LoadImages
 
 

 
 

 
 

 
 

 
 

 
 

 
 

 
”用于训练和评测

注意：

*可以为多个文件夹路径
 
 

 
 

 
 

 
 

 
 

 
 

 
 

 
，为相对路径

*可以为多个文件名列表文本文件














，路径为：绝对路径                       ，或者相对路径但是是相对文本文件的路径！

*可以同时存在若干文本文件+若干目录

3   
   
   
   
   
   
   
  、编写data yaml 文件

可以参考：https://github.com/ultralytics/ultralytics/blob/main/ultralytics/yolo/data/datasets/coco128.yaml

4
 

 

 

 

 

 

 

 
、编写模型yaml 文件 或者用预训练模型

    这里的yaml 文件其实就是利用现有的模型组件重新搭建一个新的网络 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
，可以参照如下






















，或者简单就用预训练的模型（只需要改为yolov8n.pt） 

 

 

 

 

 

 

 
。官方配置文件：ultralytics/yolov8n.yaml at main · ultralytics/ultralytics · GitHub

5

 

 

 

 

 

 

 
、编写训练参数文件（可选                、高阶）

    官方终于把所有的配置项目全部解耦到配置文件               ，不再像YOLOV5一样  
 
  
 
  
 
  
 
  
 
  
 
  
 
  
，一部分在配置文件














，一部分在train.py 的启动参数中               。主要修改如下三个大的代码段

 
 

 
 

 
 

 
 

 
 

 
 

 
 

 。其中有个需要注意的代码段就是“close_mosaic














”这个参数
  
  
  
  
  
  
  
 ，关于这个的讨论见我的另一个文章：yolov5 mosaic相关  
  
  
  
  
  
  
 ，目前要实现一个改进的mosaic
 


 


 


 


 


 


 


 
，预计后续后评测效果后会考虑开源














。官方配置文件：https://github.com/ultralytics/ultralytics/blob/main/ultralytics/yolo/configs/default.yaml                       。

    Note:

    *如果你用的Python 接口
 
 
 
 
 
 
 
，那么目前20230116官方无法直接传参进去修改这个配置文件或者引用新的配置文件   
   
   
   
   
   
   
  ，是写死的（下面第一张图）
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 。https://github.com/ultralytics/ultralytics/blob/4962733b49d45e1ae6e7b3ca367e9af9756758bc/ultralytics/yolo/utils/__init__.py

    *如果是cli接口
 

 

 

 

 

 

 

 
，那么可以复写这个配置文件

 

 

 

 

 

 

 
，下面第二
 
 

 
 

 
 

 
 

 
 

 
 

 
 

 
、三张图






















。https://github.com/ultralytics/ultralytics/blob/c42e44a0211881b661b47050ac2727658078497d/docs/cli.md

    *当然常用的修改参数也是可以传参修改的                ，见：Configuration - Ultralytics YOLOv8 Docs
 
 

 
 

 
 

 
 

 
 

 
 

 
 

 
，下面第四














、五张图               。 Detection - Ultralytics YOLOv8 Docs
  
 
  
 
  
 
  
 
  
 
  
 
  
 
  。

    *个人还是建议通过配置文件的方式管理训练过程














，这样可以快速的追溯每一个实验














。 完整的命令就是：

 yolo task=init  # 可选                       ，复制一份默认配置到当前目录供修改 
  
  
  
  
  
  
  
。

 yolo  data=coco128.yaml model=yolov8n.pt  cfg=exp1.yaml #一旦用了cfg参数 命令行的task=detect                       、 mode=train 当前版本不再生效

6 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
、训练脚本

7






















、高阶使用

        如果你想改源码 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
，或者不希望通过pip 的方式






















，污染环境               ，还是希望安装源码  
 
  
 
  
 
  
 
  
 
  
 
  
 
  
，然后python xxxx.py 运行
  
  
  
  
  
  
  
 。那么需要：

1）git clone 源码

2）新建（复制）一个自己的调用脚本
 


 


 


 


 


 


 


 。

源码链接：https://github.com/ultralytics/ultralytics/blob/main/ultralytics/yolo/cli.py 
 
 
 
 
 
 
 
。复制到根目录 
   
   
   
   
   
   
   
 。

3）根目录正常调用 python cli.py cfg=/home/xxx/…/exp1.yaml 这个yaml 就是https://github.com/ultralytics/ultralytics/blob/main/ultralytics/yolo/configs/default.yaml
 

 

 

 

 

 

 

 。

原理：

        其实官方也是通过这两个文件完成的打包和调用














，主要就是这句话：

1）https://github.com/ultralytics/ultralytics/blob/main/setup.py

2）https://github.com/ultralytics/ultralytics/blob/main/ultralytics/yolo/cli.py

打赏

        你的打赏是我不断分享的动力
  
  
  
  
  
  
  
 ，羞羞 

 

 

 

 

 

 

 
。点这里  
  
  
  
  
  
  
 ，嘿嘿               。