yolov8训练直接的数据集

YOLOv8作为最新的目标检测模型，以其高效和准确而受到广泛关注。在本文中，我们将详细介绍如何使用YOLOv8来训练自己的数据集，包括数据准备、数据集格式转换、配置文件编写以及训练过程。

一 环境准备

• 安装Python环境，建议使用3.10以上版本。

• 安装Ultralytics YOLOv8库以及wandb进行监控训练过程。可以通过以下命令安装：

  pip install ultralytics wandb
  

• 如果需要使用GPU加速，确保安装了NVIDIA驱动和CUDA Toolkit。

二 准备数据集

• 收集并准备你的数据集，包括图像和对应的标注文件。

• 这里我使用X-AnyLabeling标注工具进行打yolov8标签。

  项目地址：Releases · CVHub520/X-AnyLabeling · GitHub

• 将数据集分为训练集、验证集，其目录格式如下。

train训练集格式如下，其中images存放训练集图片，labels目录存放打好的yolov8标签。

验证集相同

三 配置数据集

• 创建一个YAML配置文件，指定数据集的路径、类别数量和类别名称，我里设置为data.yaml。例如：

  # 根路径
  path: ../datasets/MaskDataSet
  # 根路径下的训练集路径
  train: ./train
  # 根路径下的验证集路径
  val: ./val
  # 标签的列表数量
  nc: 2
  # 标签的类别
  names: ['mask', 'no-mask']
  

四 训练模型

• 模型训练，在模型训练的开始会登有wandb的网址，进行登录认证以后，进行开发模型的训练。

from ultralytics import YOLO

# 加载预训练模型
# 你可以选择不同的预训练权重，如 'yolov8n.pt', 'yolov8s.pt', 'yolov8m.pt', 'yolov8l.pt', 'yolov8x.pt'
model = YOLO('yolov8n.pt')  # 使用YOLOv8 Nano版本作为基础

# 定义数据集配置文件路径
data_config = 'path/to/your/data.yaml'  # 替换为你的data.yaml文件的实际路径

# 设置训练参数
epochs = 100  # 训练轮数
imgsz = 640    # 输入图像大小
batch_size = 16  # 批处理大小
workers = 8     # 数据加载器的工作线程数量
device = 0      # 使用GPU编号，如果使用CPU则设为None或'cpu'

# 开始训练
results = model.train(
    data=data_config,
    epochs=epochs,
    imgsz=imgsz,
    batch=batch_size,
    workers=workers,
    device=device,
    name='yolov8_custom_train',  # 模型保存名称
    save=True,                   # 是否保存模型
    exist_ok=True,               # 如果存在相同命名的训练结果是否覆盖
    cache=False,                 # 是否缓存数据以加速训练
)
print("训练完成:", results.save_dir)

六 训练完成

​ 在模型进行训练完成以后，模型会保存在runs目录的weights中，其中，best保存的训练的验证效果最好的模型。