位置: IT常识 - 正文

【YOLO】YOLOv8实操:环境配置/自定义数据集准备/模型训练/预测(yolov5m)

编辑:rootadmin
【YOLO】YOLOv8实操:环境配置/自定义数据集准备/模型训练/预测 YOLOv8实操:环境配置/自定义数据集准备/模型训练/预测引言1 环境配置2 数据集准备3 模型训练4 模型预测引言

推荐整理分享【YOLO】YOLOv8实操:环境配置/自定义数据集准备/模型训练/预测(yolov5m),希望有所帮助,仅作参考,欢迎阅读内容。

文章相关热门搜索词:yolov5l,yolo v3详解,yolo v3详解,yolo实战视频教程,yolo实战视频教程,yolo v3详解,yolo yolov2 yolov3,yolo v3详解,内容如对您有帮助,希望把文章链接给更多的朋友!

源码链接:https://github.com/ultralytics/ultralytics yolov8和yolov5是同一作者,相比yolov5,yolov8的集成性更好了,更加面向用户了 YOLO命令行界面(command line interface, CLI) 方便在各种任务和版本上训练、验证或推断模型。CLI不需要定制或代码,可以使用yolo命令从终端运行所有任务。

如果想了解yolo系列的更新迭代,以及yolov8的模型结构,推荐下面的链接: YOLOv8详解 【网络结构+代码+实操】 笔者直接从实操入手

1 环境配置

安装pytorch、torchvision和其他依赖库

环境配置部分可以参考笔者的博客 【YOLO】YOLOv5-6.0环境搭建(不定时更新)

【YOLO】YOLOv8实操:环境配置/自定义数据集准备/模型训练/预测(yolov5m)

安装ultralytics

git clone https://github.com/ultralytics/ultralyticscd ultralyticspip install -e .2 数据集准备

针对检测的数据集准备可以参考笔者的博客,这里不再赘述了 【YOLO】训练自己的数据集

3 模型训练

比起YOLOv5,YOLOv8的训练封装性更好了,有利有弊吧,参数默认值修改比较麻烦

训练指令如下:

yolo task=detect mode=train model=yolov8s.pt data=/media/ll/L/llr/DATASET/subwayDatasets/coco.yaml device=0 cache=True epochs=300 project=/media/ll/L/llr/mode name=yolov8

除了上述笔者使用的参数,其他参数说明

task: detect # 可选择:detect, segment, classifymode: train #可选择: train, val, predict# Train settings -------------------------------------------------------------------------------------------------------model: # 设置模型。格式因任务类型而异。支持model_name, model.yaml,model.ptdata: # 设置数据,支持多数类型 data.yaml, data_folder, dataset_nameepochs: 300 # 需要训练的epoch数patience: 50 # epochs to wait for no observable improvement for early stopping of trainingbatch: 16 # Dataloader的batch大小imgsz: 640 # Dataloader中图像数据的大小save: True # save train checkpoints and predict resultssave_period: -1 # Save checkpoint every x epochs (disabled if < 1)cache: True # True/ram, disk or False. Use cache for data loadingdevice: # device to run on, i.e. cuda device=0 or device=0,1,2,3 or device=cpuworkers: 8 # 每个进程使用的cpu worker数。使用DDP自动伸缩project: /media/ll/L/llr/model # project namename: yolov8 # experiment nameexist_ok: False # whether to overwrite existing experimentpretrained: False # whether to use a pretrained modeloptimizer: SGD # 支持的优化器:Adam, SGD, RMSPropverbose: True # whether to print verbose outputseed: 0 # random seed for reproducibilitydeterministic: True # whether to enable deterministic modesingle_cls: False # 将多类数据作为单类进行训练image_weights: False # 使用加权图像选择进行训练rect: False # 启用矩形训练cos_lr: False # 使用cosine LR调度器close_mosaic: 10 # disable mosaic augmentation for final 10 epochsresume: False # resume training from last checkpointmin_memory: False # minimize memory footprint loss function, choices=[False, True, <roll_out_thr>]# Segmentationoverlap_mask: True # 分割:在训练中使用掩码重叠mask_ratio: 4 # 分割:设置掩码下采样# Classificationdropout: 0.0 # 分类:训练时使用dropout# Val/Test settings ----------------------------------------------------------------------------------------------------val: True # validate/test during trainingsplit: val # dataset split to use for validation, i.e. 'val', 'test' or 'train'save_json: False # save results to JSON filesave_hybrid: False # save hybrid version of labels (labels + additional predictions)conf: # object confidence threshold for detection (default 0.25 predict, 0.001 val)iou: 0.7 # intersection over union (IoU) threshold for NMSmax_det: 300 # maximum number of detections per imagehalf: False # use half precision (FP16)dnn: False # 使用OpenCV DNN进行ONNX推断plots: True # 在验证时保存图像# Prediction settings --------------------------------------------------------------------------------------------------source: # 输入源。支持图片、文件夹、视频、网址show: False # 查看预测图片save_txt: False # 保存结果到txt文件中save_conf: False # save results with confidence scoressave_crop: False # save cropped images with resultshide_labels: False # hide labelshide_conf: False # hide confidence scoresvid_stride: 1 # 输入视频帧率步长line_thickness: 3 # bounding box thickness (pixels)visualize: False # 可视化模型特征augment: False # apply image augmentation to prediction sourcesagnostic_nms: False # class-agnostic NMSclasses: # filter results by class, i.e. class=0, or class=[0,2,3]retina_masks: False #分割:高分辨率掩模boxes: True # Show boxes in segmentation predictions# Export settings ------------------------------------------------------------------------------------------------------format: torchscript # format to export tokeras: False # use Kerasoptimize: False # TorchScript: optimize for mobileint8: False # CoreML/TF INT8 quantizationdynamic: False # ONNX/TF/TensorRT: dynamic axessimplify: False # ONNX: simplify modelopset: # ONNX: opset version (optional)workspace: 4 # TensorRT: workspace size (GB)nms: False # CoreML: add NMS# Hyperparameters ------------------------------------------------------------------------------------------------------lr0: 0.01 # 初始化学习率lrf: 0.01 # 最终的OneCycleLR学习率momentum: 0.937 # 作为SGD的momentum和Adam的beta1weight_decay: 0.0005 # 优化器权重衰减warmup_epochs: 3.0 # Warmup的epoch数,支持分数)warmup_momentum: 0.8 # warmup的初始动量warmup_bias_lr: 0.1 # Warmup的初始偏差lrbox: 7.5 # box loss gaincls: 0.5 # cls loss gain (scale with pixels)dfl: 1.5 # dfl loss gainfl_gamma: 0.0 # focal loss gamma (efficientDet default gamma=1.5)label_smoothing: 0.0 # label smoothing (fraction)nbs: 64 # nominal batch sizehsv_h: 0.015 # image HSV-Hue augmentation (fraction)hsv_s: 0.7 # image HSV-Saturation augmentation (fraction)hsv_v: 0.4 # image HSV-Value augmentation (fraction)degrees: 0.0 # image rotation (+/- deg)translate: 0.1 # image translation (+/- fraction)scale: 0.5 # image scale (+/- gain)shear: 0.0 # image shear (+/- deg)perspective: 0.0 # image perspective (+/- fraction), range 0-0.001flipud: 0.0 # image flip up-down (probability)fliplr: 0.5 # image flip left-right (probability)mosaic: 1.0 # image mosaic (probability)mixup: 0.0 # image mixup (probability)copy_paste: 0.0 # segment copy-paste (probability)# Custom config.yaml ---------------------------------------------------------------------------------------------------cfg: # for overriding defaults.yaml# Debug, do not modify -------------------------------------------------------------------------------------------------v5loader: False # use legacy YOLOv5 dataloader4 模型预测weight_path = "best.pt" # 自训练的模型imgdir = r'/media/ll/L/llr/DATASET/subwayDatasets/bjdt/images' img_path = r'/media/ll/L/llr/DATASET/subwayDatasets/bjdt/images/L_0000018.jpg'model = YOLO(weight_path)results = model(img_path,show=False,save=False) # 是否显示和保存结果数据

预测一张图片,results如下图所示: 预测文件夹目录,results如图所示: 无论是一张图片还是图片目录,返回的results都是list

要对预测结果进行处理需要索引进去,如下图所示 结果参数说明:

boxes:各种形式的检测框信息(xyxy、xywh、归一化的)、类别索引、置信度等 names:类别字典 orig_img:原图数组 orig_shape:原图尺寸 plots:在验证时保存图像(预测时一般为None) speed:处理速度

基于上述模型提供的检测结果进行后处理算法等

上述即为yolov8的快速使用

本文链接地址:https://www.jiuchutong.com/zhishi/288825.html 转载请保留说明!

上一篇:Yolov5/Yolov7加入Yolov8 c2f模块,涨点(yolov教程)

下一篇:【JavaScript】基于querySelector / querySelectorAll对元素的操作,为你的DOM API基础扫盲~(javascript基础语法)

  • 营业外收支的账务处理
  • 城市基础设施配套费减免
  • 太阳能发电开票编码
  • 有进项发票没有销项发票
  • 保险费计入什么会计科目需要发票吗
  • 已收货款没发货怎么退款
  • 利润表没有其他业务收入
  • 企业将资产移送他人的下列情形
  • 未分配利润借方表示增加还是减少
  • 小规模纳税人每个月需要报什么税
  • 个税专项扣除如何迁移
  • 盈余公积要是提多了能转回么
  • 办公设备折旧年限及残值率
  • 流动比率与速动比率之差等于现金比率
  • 公司收到股东的钱现金流量表怎么填
  • 住宿发票的税率0
  • 税收思想
  • 备案类减免税又做费用了
  • 企业的业务招待费多了好还是少了好
  • 二千万注册资金是多少
  • 应交税费应交增值税明细科目设置
  • 专利年费应该入哪个科目
  • 上月计提费用下月一定要冲回吗
  • 减免税额科目有没有余额
  • 中文字符和英文字符的转换
  • mac补丁安装步骤
  • 发票明细与实际不符是什么行为
  • 工程改造怎么做账
  • 高新技术产业研究院有限公司
  • 暂估入库结转成本账务处理
  • 详解金球奖之争
  • 软件产品即征即退申请表
  • js生成条形码的方式有哪些
  • 基于网络创新形成的大数据的最突出特征是什么?( )
  • 查看ls命令的使用手册
  • git主干
  • 笨办法学python 3电子书下载
  • 尚未抄税无法申报
  • 同城票据交换差额户会计分录
  • 2022年最新电脑操作系统
  • 购买材料发票未到如何做账?
  • sqlserver2005 master与msdb数据库备份恢复过程
  • 发票金额跟实际转账金额不一样该怎么办
  • 金税四期上线后如何查虚开
  • 材料暂估入库的附件需要哪些资料
  • 捐赠固定资产怎么入账
  • 固定资产被盗报警
  • 厂家给经销商的活动方案怎么写
  • 纸质承兑汇票怎么兑现步骤
  • 提取备用金怎么做账务处理
  • 报销发票金额大于付款金额
  • 对于财务的简单理解
  • 福利部门的福利有哪些
  • 企业的职工福利费
  • 代理记账公司能赚钱吗
  • 买水果送礼
  • cmd shutdown命令
  • cf分屏不全屏
  • 新手怎样
  • gamebar.exe是什么进程
  • ubuntu如何清理缓存
  • ubuntu nginx webdav
  • ubuntu系统防火墙状态
  • 趣谈linux系统
  • 苹果mac系统休眠怎么解除
  • 如何设置访问共享文件夹
  • mac电池不能被识别吗
  • win7通过组策略阻止应用程序安装
  • win8系统安装包
  • javascript中有几种数据类型
  • pass python用法
  • js常用方法总结
  • 湖南增值税普通发票查询系统官网
  • 如何查询税务是否签订三方
  • 浙江国家税务局电子税务局官网入口
  • 2023车船税收费价格表图片
  • 电子税务局密码能随便告诉别人吗
  • 数字经济与实体经济融合发展的理论探索
  • 瑞士州税
  • 国家电子税务登录入口
  • 免责声明:网站部分图片文字素材来源于网络,如有侵权,请及时告知,我们会第一时间删除,谢谢! 邮箱:opceo@qq.com

    鄂ICP备2023003026号

    网站地图: 企业信息 工商信息 财税知识 网络常识 编程技术

    友情链接: 武汉网站建设