1、制作自己的数据集

可以去一些免费的数据集网站上面去搜索免费的数据集，这里我们是自己从0开始制作数据集。在此，使用一种偷懒的方式来获取对应的图片。就是在网上找一个视频，通过opencv解析视频里面的图片，就可以获取到对应的图片。此方法，只适合学习。

解析代码：

需要opencv库的支持

pip install opencv-python==4.5.1.48

# -*- coding: utf-8 -*-
# Auther : qiutiejun
# Date : 2024/12/10 16:36
# File : analysis.py
# 解析视频，提取图片，文件操作,使用opencv解析
import cv2
import os
# 打开视频文件
video = cv2.VideoCapture('wukong.mp4')
filename = 'make_img'
# 检查视频是否成功打开
if not video.isOpened():
    print('视频文件没有找到')
else:
    frame_count =0
    # 创建文件夹
    if not os.path.exists(filename):
        os.makedirs(filename)
    while True:
        ret , frame = video.read()
        if not ret:
            break
        frame_count+=1
        if frame_count%50==0:
            frame_filename = os.path.join(filename, f"frame_{frame_count:04d}.png")
            print(frame_filename)
            cv2.imwrite(frame_filename,frame)
    print(f"总共生成{frame_count/50}张图片")
    print('程序执行结束')
    video.release()

运行代码会生成对应的图片：

 

2、数据标注

这里会出现一个问题，需要特别注意。

我自己使用的是python版本是3.8，安装labelimg时候，出现以下问题：

解决办法：

python版本修改为3.9版本即可。

输入labelimg打开窗口

到此工具准备完成，接下来重点讲解数据标注工作。

个人觉得，对于程序本身来说，环境相比程序来说，个人觉得环境配置很重要。所以在创建环境的时候，对应python的版本很重要。如果选择python是3.9的版本，有可能会出现以下错误。

很明显是numpy的版本的问题，所以需要降低numpy的版本，解决方案如下：

pip install numpy==1.25.0

目录结构如下：

images下面存放训练和验证数据集的图片

labels下面存放训练和验证数据集的标签，需要一一对应。

这里需要注意的几个地方：

1、下面箭头指示的地方，一定要选择YOLO（总共有三种选项）

2、Open Dir 选择图片打开路径，默认会把标注好的图片存放到这个文件夹

3、Change Save Dir 指定txt文件输出的位置，也就是标注数据保存的位置，选择输出位置。这个也很重要。

4、每次标注好数据之后，记得按ctrl+s按键

示例代码：

原图：

标注图：

预测结果图

标签数据：

需要注意的是：图片位置和标签位置一定要一一对应。

3、模型训练前准备

• 我需要告诉程序我们的数据集在什么地方？（文件位置:ultralytics/cfg/datasets目录）。复制coco8.yaml或者coco128.yaml都可以，这个位置的配置文件就是配置数据集的目录结构的。我的命名是my_data.yaml文件，如果确实路径搞不清楚的化，简易大家使用绝对路径。

      

# Ultralytics YOLO 🚀, AGPL-3.0 license
# COCO8 dataset (first 8 images from COCO train2017) by Ultralytics
# Documentation: https://docs.ultralytics.com/datasets/detect/coco8/
# Example usage: yolo train data=coco8.yaml
# parent
# ├── ultralytics
# └── datasets
#     └── coco8  ← downloads here (1 MB)

# Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..]
path: D:\\rgzn\\yv8test\\ultralytics-main\\mydatasets\\game # dataset root dir
train: images/train # train images (relative to 'path') 4 images
val: images/val # val images (relative to 'path') 4 images
#test: # test images (optional)

# Classes
names:
  0: wukong
  1: erlangs
  2: dog
  3: fuzi
  4: huo
#  5: bus
#  6: train
#  7: truck
#  8: boat
#  9: traffic light
#  10: fire hydrant
#  11: stop sign
#  12: parking meter
#  13: bench
#  14: bird
#  15: cat
#  16: dog
#  17: horse
#  18: sheep
#  19: cow
#  20: elephant
#  21: bear
#  22: zebra
#  23: giraffe
#  24: backpack
#  25: umbrella
#  26: handbag
#  27: tie
#  28: suitcase
#  29: frisbee
#  30: skis
#  31: snowboard
#  32: sports ball
#  33: kite
#  34: baseball bat
#  35: baseball glove
#  36: skateboard
#  37: surfboard
#  38: tennis racket
#  39: bottle
#  40: wine glass
#  41: cup
#  42: fork
#  43: knife
#  44: spoon
#  45: bowl
#  46: banana
#  47: apple
#  48: sandwich
#  49: orange
#  50: broccoli
#  51: carrot
#  52: hot dog
#  53: pizza
#  54: donut
#  55: cake
#  56: chair
#  57: couch
#  58: potted plant
#  59: bed
#  60: dining table
#  61: toilet
#  62: tv
#  63: laptop
#  64: mouse
#  65: remote
#  66: keyboard
#  67: cell phone
#  68: microwave
#  69: oven
#  70: toaster
#  71: sink
#  72: refrigerator
#  73: book
#  74: clock
#  75: vase
#  76: scissors
#  77: teddy bear
#  78: hair drier
#  79: toothbrush
#
## Download script/URL (optional)
#download: https://github.com/ultralytics/assets/releases/download/v0.0.0/coco8.zip

•  配置模型训练的标签数量，同样的道理，为了保证不影响原程序的运行效果，我们还是重新赋值一份yolov8.yaml----------->my_yolov8.yaml文件，只需要将分类修改为本次自己数据集的分类。默认是80，我这一次是5个分类。所以最终修改为5。nc:5
• 以上工作完成之后，我们就可以开始训练自己的模型了。

4、模型训练

start_train.py

# 模型训练
from ultralytics import YOLO
# 查找配置文件
model = YOLO("D:\\rgzn\\yv8test\\ultralytics-main\\ultralytics\\cfg\\models\\v8\\my_yolov8.yaml")
# 加载预训练模型
model = YOLO('yolov8n.pt')
# 训练模型
results = model.train(data="D:\\rgzn\\yv8test\\ultralytics-main\\ultralytics\\cfg\\datasets\\my_data.yaml",
            epochs=100,batch=8,device='cpu',workers=0,imgsz=640)
results = model.val()

model.train参数说明：

YOLO 模型的训练设置包括在训练过程中使用的各种超参数和配置。这些设置会影响模型的性能、速度和精度。关键的训练设置包括批量大小、学习率、动量和权重衰减。此外，优化器的选择、损失函数以及训练数据集的组成也会对训练过程产生影响。通过对这些设置进行仔细调整和实验，对于优化性能至关重要。

 

Argument	Default	Description
model	None	指定用于训练的模型文件。接受 .pt 预训练模型的路径或 .yaml 配置文件的路径。对于定义模型结构或初始化权重是必不可少的。
data	None	数据集配置文件的路径（例如，coco8.yaml）。该文件包含数据集特定的参数，包括训练和验证数据的路径、类别名称以及类别数量。
epochs	100	训练周期的总数。每个周期代表对整个数据集的完整遍历。调整次值可以影响训练时长和模型性能
batch	16	数据集配置文件的路径（例如，coco8.yaml）。该文件包含数据集特定的参数，包括训练和验证数据的路径、类别名称以及类别数量。
imgsz	640	训练目标图片大小。所有图像在输入模型之前都会调整这个尺寸。 会影响模型的准确度和计算复杂度
save	True	启用保存训练检查点和最终模型权重，对于恢复训练或者模型部署非常有用
workers	8	数据加载的工作线程数量（如果是多 GPU 训练，则按 RANK 计算）。影响数据预处理和输入模型的速度，在多 GPU 设置中尤为有用。cpu加以给0
optimizer	auto	择训练的优化器。选项包括 SGD、Adam、AdamW、NAdam、RAdam、RMSProp 等，或者 auto 以根据模型配置自动选择。影响收敛速度和稳定性。

训练完成之后，会在runs目录下面保存一个最好的模型和一个最后一次的模型

6、模型预测

就是使用自己训练好的模型，来验证模型的好坏

start_pre.py

# 预测
from ultralytics import YOLO

model = YOLO("D:\\rgzn\\yv8test\\ultralytics-main\\runs\detect\\train4\\weights\\best.pt")

model.predict(source='wukong.mp4',show=True,save=True)

预测结果会保存在 runs -->detect---->predict目录下面

到此，模型训练结束：

7、总结

其实使用别人已经写好的预处理模型，来训练自己的模型。我们只需要准备好对应的数据集，告诉模型我们的数据集存放的路径，标签的分类和类别，根据自己的电脑的配置，训练自己的模型。其实对于我们开发者来说，确实比较简单，但是需要深入的学习，就需要研究其源码。背后的原理其实就是CNN。