一、用anaconda配的环境
1、Anaconda安装官网自查
2、Anaconda创建环境conda create -n 环境名 python=3.7
注意：如果出现conda命令不出来，请重新配置conda的电脑环境变量
参考文章：(35条消息) ‘conda‘不是内部或外部命令，也不是可运行的程序或批处理文件。_conda’ 不是内部或外部命令_北极的三哈的博客-CSDN博客
Anaconda安装包慢记得换源
3、Cuda安装：官网：CUDA Toolkit 11.3 Downloads | NVIDIA Developer下载11.3版本
4、pytorch安装1.11版本
在开始中找到anaconda3打开anaconda prompt并进入需要安装的环境
命令：activate 环境名
输入安装指令：
conda install pytorch==1.11.0 torchvision==0.12.0 torchaudio==0.11.0 cudatoolkit=11.3 -c pytorch
5、下载yolov8源码：
mirrors
/ ultralytics / ultralytics · GitCode
我的下载目录是D:\workPlace\ultralytics-main\requirements.txt
cd 到下载目录（D:\workPlace\ultralytics-main\requirements.txt）
使用pip install -r requirements.txt进行配置
6、可能会出现的环境配置问题：
没有fbprophet包
conda install -c conda-forge fbprophet
pandas存在的bug
pip install pandas==1.3.0
7、pycharm连接anaconda环境
用pycharm打开下好的yolov8项目文件
选择file->settings->project:->python interpreter
选择已经创建好的anaconda环境下得python.exe文件
8、数据标注环境：
pip install labelImg
二、数据集准备
1、用anaconda加载labelimg工具进行数据标注
activate pytorch#你的环境名字
labelimg#进入标注工具界面
选择要标注的数据目录：
更改数据的标注结果格式：通过点击这个按钮选择输出为.xml文件或者.txt文件
2、数据调整成官方给定样式
在官方代码下新建data文件目录
文件夹下创建这几个目录images中放置所有标注原图，xml中放置标注好的.xml文件
import os
import random
import argparse
parser = argparse.ArgumentParser()
# xml文件的地址，根据自己的数据进行修改 xml一般存放在Annotations下
parser.add_argument('--xml_path', default='./ultralytics/data/xml', type=str, help='input xml label path')
# 数据集的划分，地址选择自己数据下的ImageSets/Main
parser.add_argument('--txt_path', default='./ultralytics/data/dataSet', type=str, help='output txt label path')
opt = parser.parse_args()
trainval_percent = 1.0
train_percent = 0.9
xmlfilepath = opt.xml_path
txtsavepath = opt.txt_path
total_xml = os.listdir(xmlfilepath)
if not os.path.exists(txtsavepath):
os.makedirs(txtsavepath)
num = len(total_xml)
list_index = range(num)
tv = int(num * trainval_percent)
tr = int(tv * train_percent)
trainval = random.sample(list_index, tv)
train = random.sample(trainval, tr)
file_trainval = open(txtsavepath + '/trainval.txt', 'w')
file_test = open(txtsavepath + '/test.txt', 'w')
file_train = open(txtsavepath + '/train.txt', 'w')
file_val = open(txtsavepath + '/val.txt', 'w')
for i in list_index:
name = total_xml[i][:-4] + '\n'
if i in trainval:
file_trainval.write(name)
if i in train:
file_train.write(name)
else:
file_val.write(name)
else:
file_test.write(name)
file_trainval.close()
file_train.close()
file_val.close()
file_test.close()
在dataset文件下生成数据集划分的txt文件
xml文件转txt文件并存在labels目录中
import xml.etree.ElementTree as ET
import pickle
import os
from os import listdir, getcwd
from os.path import join
# 数据标签
classes = ['UNK'] # 需要修改
def convert(size, box):
dw = 1. / (size[0])
dh = 1. / (size[1])
x = (box[0] + box[1]) / 2.0 - 1
y = (box[2] + box[3]) / 2.0 - 1
w = box[1] - box[0]
h = box[3] - box[2]
x = x * dw
w = w * dw
y = y * dh
h = h * dh
if w >= 1:
w = 0.99
if h >= 1:
h = 0.99
return (x, y, w, h)
def convert_annotation(rootpath, xmlname):
xmlpath = rootpath + '/xml'
xmlfile = os.path.join(xmlpath, xmlname)
with open(xmlfile, "r", encoding='UTF-8') as in_file:
txtname = xmlname[:-4] + '.txt'
print(txtname)
txtpath = rootpath + '/labels' # 生成的.txt文件会被保存在labels目录下
if not os.path.exists(txtpath):
os.makedirs(txtpath)
txtfile = os.path.join(txtpath, txtname)
with open(txtfile, "w+", encoding='UTF-8') as out_file:
tree = ET.parse(in_file)
root = tree.getroot()
size = root.find('size')
w = int(size.find('width').text)
h = int(size.find('height').text)
out_file.truncate()
for obj in root.iter('object'):
difficult = obj.find('difficult').text
cls = obj.find('name').text
if cls not in classes or int(difficult) == 1:
continue
cls_id = classes.index(cls)
xmlbox = obj.find('bndbox')
b = (float(xmlbox.find('xmin').text), float(xmlbox.find('xmax').text), float(xmlbox.find('ymin').text),
float(xmlbox.find('ymax').text))
bb = convert((w, h), b)
out_file.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + '\n')
if __name__ == "__main__":
rootpath = './ultralytics/data' ##需要修改的地方改成你的路径
xmlpath = rootpath + '/xml'
list = os.listdir(xmlpath)
for i in range(0, len(list)):
path = os.path.join(xmlpath, list[i])
if ('.xml' in path) or ('.XML' in path):
convert_annotation(rootpath, list[i])
print('done', i)
else:
print('not xml file', i)
将所有数据转换成官方给定数据目录：
import os,shutil
rootpath="./ultralytics/data/"#待修改路径
imgtrain=rootpath+"images/train/"
imgval=rootpath+"images/val/"
labeltrain=rootpath+"labels/train/"
labelval=rootpath+"labels/val/"
if not os.path.exists(imgtrain):
os.makedirs(imgtrain)
if not os.path.exists(imgval):
os.makedirs(imgval)
if not os.path.exists(labeltrain):
os.makedirs(labeltrain)
if not os.path.exists(labelval):
os.makedirs(labelval)
f = open(rootpath+"dataSet/train.txt","r")
lines = f.readlines()
for i in lines:
shutil.move(rootpath+"images/"+str(i).replace('\n','')+".jpg",imgtrain+str(i).replace('\n','')+".jpg")
shutil.move(rootpath + "labels/" + str(i).replace('\n', '') + ".txt", labeltrain + str(i).replace('\n', '') + ".txt")
f = open(rootpath+"dataSet/val.txt","r")
lines = f.readlines()
for i in lines:
shutil.move(rootpath+"images/"+str(i).replace('\n','')+".jpg",imgval+str(i).replace('\n','')+".jpg")
shutil.move(rootpath + "labels/" + str(i).replace('\n', '') + ".txt", labelval + str(i).replace('\n', '') + ".txt")
shutil.move(rootpath+"dataSet/train.txt",rootpath+"train.txt")
shutil.move(rootpath+"dataSet/trainval.txt",rootpath+"trainval.txt")
shutil.move(rootpath+"dataSet/test.txt",rootpath+"test.txt")
shutil.move(rootpath+"dataSet/val.txt",rootpath+"val.txt")
最后，把当前目录下所有文件放到官方代码的datasets里面
三、修改参数配置及训练
1、参数修改
训练、测试、导出参数文件目录：./ultralytics-main/ultralytics/yolo/cfg/default.yaml
如果训练时报错：
BrokenPipeError: [Errno 32] Broken pipe
解决：将参数文件中的workers改成0
训练数据参数文件,目录：./ultralytics-main/ultralytics/datasets
随便选个文件
train: images/train#改成自己放置数据的目录
val: images/val
nc: num#你的类别数量
#names中类别格式
0:["类别名称1"]
1:["类别名称2"]
2、训练
注：如果命令行无法运行可以装一下git在电脑上
修改类别和模型文件路径后可以直接运行
训练代码：./ultralytics-main/ultralytics/yolo/v8/detect/train.py
命令行运行：
yolo task=detect mode=train model='yolov8.yaml' data='ultralytics/datasets/自己的数据配置文件.yaml'
训练时可能会有报错：
找到相应的settings.yaml文件
把第一行改成相应的数据目录
3、测试：
./ultralytics-main/ultralytics/yolo/v8/detect/predict.py
修改训练好的模型权重文件和被测试数据目录后可直接运行。
命令行运行：
yolo predict model='模型文件' source='图片目录'
yolo predict model=模型文件 source=图片目录
所有的训练和测试结果都保存在：./ultralytics-main/ultralytics/yolo/v8/detect/runs
文章出处登录后可见！