python pytorch yolov8超详细从配置环境到训练测试

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

相关文章