YOLOv8【训练】

根据上一篇文章准备好数据集之后，就可以开始训练了，需要配置两个地方。一个是数据集的路径（修改为自己的数据集路径）；一个是训练参数/属性的设置。

1：修改数据集路径

首先进入...\ultralytics\cfg\datasets下复制coco128.yaml文件（当然，其他的文件也可以，格式是一样的），命名为my_data.yaml(或者其他的名字，这里面用来规定自己的数据集路径)，放在datasets中，如下图

点击进入my_data.yaml文件，把最后两行删掉或者注释掉（这个是原来数据集的下载位置，我们不需要）。

之后这个文件大概是这个样子。（路径尽量用绝对路径，这样不容易出错）

path: D:\\...\\my_data # 这里用来放你的数据集的文件夹路径(用绝对路径)
train: D:\\...\\my_data\\train #  这里用来放你的训练集路径(绝对路径)
val: D:\\...\\my_data\\valid  # 这里用来放你的验证集路径(绝对路径)
test: D:\\...\\my_data\\test # 这里用来放你的测试集路径(绝对路径)

# Classes  这里是放你的标签信息，与上一篇文章分类的那个是一样的，修改成自己的
names:
  0: xx
  1: xx
  2: xx
  .
  .

设置好之后就可以开始下一步了。

2：训练参数/属性的设置

YOLOv8训练有两种方式，一种是通过命令行，一种是使用Python代码。为了一劳永逸，我这里是使用的Python代码来实现训练过程。

首先我们需要新建一个空的.py的文件命名为train.py，然后复制以下代码。model=xx，是用来设置模型文件的，在cfg/models里面。

from ultralytics import YOLO
#下面是三种训练的方式，使用其中一个的时候要注释掉另外两个
# Load a model  加载模型
#这种方式是选择.yaml模型文件，从零开始训练
model = YOLO('yolov8n.yaml')  # build a new model from YAML
#这种方式是选择.pt文件，利用预训练模型训练
model = YOLO('yolov8n.pt')  # load a pretrained model (recommended for training)
#这种方式是可以加载自己想要使用的预训练模型
model = YOLO('yolov8n.yaml').load('yolov8n.pt')  # build from YAML and transfer weights

# Train the model   data = 这里用来设置你的data.yaml路径。即第一步设置的文件。后面的就是它的一些属性设置，你也可以增加一些比如batch=16等等。
model.train(data='coco128.yaml', epochs=100, imgsz=640)

设置好之后就可以右键运行训练了，效果如下

训练完之后会告诉你训练结果的保存位置，去那个位置寻找就可以了

同时，训练完之后会出现一个预测结果，那个预测结果是根据验证集得到的。如果需要预测测试集的结果，请在命令行输入以下代码。

# 看测试集 重点是要有split=test这句  model=就是你训练完之后的模型；data=就是你的数据集文件，当然可以加入其他的属性比如batch=16等等
yolo task=detect mode=val split=test model=.../best.pt  data=.../my_data.yaml 

这样就完成了一个完整的训练、预测过程。