yolov8之训练、验证、预测、导出

原创 已于 2024-06-04 11:34:30 修改 · 1.1w 阅读 · 100 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#YOLO

于 2023-09-24 15:38:41 首次发布
该文章已生成可运行项目，

y o l o v 8 之训练、验证、预测、导出 yolov8之训练、验证、预测、导出 yolov8之训练、验证、预测、导出

链接：https://pan.baidu.com/s/1_9hI8ZshNCJSMJVXNTVxbQ?pwd=1234
提取码：1234

一 YoloV8数据集制作

1.labelme的使用

2.数据集转为yolo格式

二 使用yolov8进行训练、验证、预测、导出

1.图像分类

from ultralytics import YOLO
# 0 参数配置
# 模型路径
model_path = r"./yolov8s-cls.pt"
# 数据集yaml文件路径
data_path = r"D:\YoloV8Manual\dataset\DogCat-cls"
# 训练轮数
epochs = 500
imgsz = 224
batch = 4
project = r"./AIModel"
name = "CatAndDog_Cls"
predict_ImgPath = r"dataset/DogCat-cls/test/cat"
save_predictImg_flag = True
exportType= "onnx"
exist_ok = True
# 1 加载模型
model = YOLO(model_path)
# 2 训练模型
model.train(data=data_path, epochs=epochs, imgsz=imgsz,batch=batch,workers=0,project=project,name=name,exist_ok=True)
# 3 验证模型
metrics = model.val(data=data_path)  # 在验证集上评估模型性能
# 4 模型预测
results = model.predict(source=predict_ImgPath,  imgsz=imgsz ,save=save_predictImg_flag,batch=batch)  # save plotted images
# 5 导出所需模式（以onnx为例）
model.export(format=exportType, imgsz=imgsz)

训练指标说明

在这里插入图片描述

在这里插入图片描述

验证指标说明

from ultralytics import YOLO
import os
# 0 参数配置
# 模型路径
model_path = r"D:\YoloV8Manual\AIModel\CatAndDog_Cls\weights\best.pt"
# 数据集yaml文件路径
data_path = r"D:\YoloV8Manual\dataset\DogCat-cls"
# 训练轮数
epochs = 1
imgsz = 224
batch = 4
project = r"./AIModel"
name = "CatAndDog_Cls"
predict_ImgPath = r"dataset/DogCat-cls/test/cat"
save_predictImg_flag = True
exportType= "onnx"
exist_ok = True
# 1 加载模型
model = YOLO(model_path)
# 2 训练模型
#model.train(data=data_path, epochs=epochs, imgsz=imgsz,batch=batch,workers=0,project=project,name=name,exist_ok=True)
# 3 验证模型
metrics = model.val(workers=0)  # 在验证集上评估模型性能
# 4 模型预测
#results = model.predict(source=predict_ImgPath,  imgsz=imgsz ,save=save_predictImg_flag,batch=batch)  # save plotted images
# 5 导出所需模式（以onnx为例）
#model.export(format=exportType, imgsz=imgsz)

在这里插入图片描述

模型预测结果

from ultralytics import YOLO
import os
# 0 参数配置
# 模型路径
model_path = r"D:\YoloV8Manual\AIModel\CatAndDog_Cls\weights\best.pt"
# 数据集yaml文件路径
data_path = r"D:\YoloV8Manual\dataset\DogCat-cls"
# 训练轮数
epochs = 1
imgsz = 224
batch = 4
project = r"./AIModel"
name = "CatAndDog_Cls"
predict_ImgPath = r"dataset/DogCat-cls/val/cat"
save_predictImg_flag = True
exportType= "onnx"
exist_ok = True
# 1 加载模型
model = YOLO(model_path)
# 2 训练模型
#model.train(data=data_path, epochs=epochs, imgsz=imgsz,batch=batch,workers=0,project=project,name=name,exist_ok=True)
# 3 验证模型
# metrics = model.val(workers=0)  # 在验证集上评估模型性能
# 4 模型预测
results = model.predict(source=predict_ImgPath,  imgsz=imgsz ,save=save_predictImg_flag,batch=batch)  # save plotted images
# 5 导出所需模式（以onnx为例）
#model.export(format=exportType, imgsz=imgsz)

在这里插入图片描述
在这里插入图片描述

模型导出

在这里插入图片描述

1.导出TensorRT

TensorRT环境配置

from ultralytics import YOLO
import os
# 0 参数配置
# 模型路径
model_path = r"D:\YoloV8Manual\AIModel\CatAndDog_Cls\weights\best.pt"
# 数据集yaml文件路径
data_path = r"D:\YoloV8Manual\dataset\DogCat-cls"
# 训练轮数
epochs = 1
imgsz = 224
batch = 4
project = r"./AIModel"
name = "CatAndDog_Cls"
predict_ImgPath = r"dataset/DogCat-cls/val/cat"
save_predictImg_flag = True
exportType= "engine"
exist_ok = True
# 1 加载模型
model = YOLO(model_path)
# 2 训练模型
# model.train(data=data_path, epochs=epochs, imgsz=imgsz,batch=batch,workers=0,project=project,name=name,exist_ok=True)
# 3 验证模型
# metrics = model.val(workers=0)  # 在验证集上评估模型性能
# 4 模型预测
# results = model.predict(source=predict_ImgPath,  imgsz=imgsz ,save=save_predictImg_flag,batch=batch)  # save plotted images
# 5 导出所需模式（以onnx为例）
model.export(format=exportType)

在这里插入图片描述
在这里插入图片描述

2.导出OpenVino

OpenVino环境配置

from ultralytics import YOLO
import os
# 0 参数配置
# 模型路径
model_path = r"D:\YoloV8Manual\AIModel\CatAndDog_Cls\weights\best.pt"
# 数据集yaml文件路径
data_path = r"D:\YoloV8Manual\dataset\DogCat-cls"
# 训练轮数
epochs = 1
imgsz = 224
batch = 4
project = r"./AIModel"
name = "CatAndDog_Cls"
predict_ImgPath = r"dataset/DogCat-cls/val/cat"
save_predictImg_flag = True
exportType= "openvino"
exist_ok = True
# 1 加载模型
model = YOLO(model_path)
# 2 训练模型
# model.train(data=data_path, epochs=epochs, imgsz=imgsz,batch=batch,workers=0,project=project,name=name,exist_ok=True)
# 3 验证模型
# metrics = model.val(workers=0)  # 在验证集上评估模型性能
# 4 模型预测
# results = model.predict(source=predict_ImgPath,  imgsz=imgsz ,save=save_predictImg_flag,batch=batch)  # save plotted images
# 5 导出所需模式（以onnx为例）
model.export(format=exportType)

在这里插入图片描述

2.图像检测

from ultralytics import YOLO
# 0 参数配置
# 模型路径
model_path = r"./yolov8s.pt"
# 数据集yaml文件路径
data_yaml = r"D:\YoloV8Manual\data_yaml\det_data.yaml"
# 训练轮数
epochs = 500
imgsz = 224
batch = 4
project = r"./AIModel"
name = "CatAndDog_Det"
predict_ImgPath = r"dataset/DogCat-det/images/val"
save_predictImg_flag = True
exportType= "onnx"
exist_ok = True
# 1 加载模型
model = YOLO(model_path)
# 2 训练模型
model.train(data=data_yaml, epochs=epochs, imgsz=imgsz,batch=batch,workers=0,project=project,name=name,exist_ok=True)
# 3 验证模型
metrics = model.val(data=data_yaml)  # 在验证集上评估模型性能
# 4 模型预测
results = model.predict(source=predict_ImgPath,  imgsz=imgsz ,save=save_predictImg_flag,batch=batch)  # save plotted images
# 5 导出所需模式（以onnx为例）
model.export(format=exportType, imgsz=imgsz)

训练指标说明

在这里插入图片描述

在这里插入图片描述

验证指标说明

from ultralytics import YOLO
# 0 参数配置
# 模型路径
model_path = r"D:\YoloV8Manual\AIModel\CatAndDog_Det\weights\best.pt"
# 数据集yaml文件路径
data_yaml = r"D:\YoloV8Manual\data_yaml\det_data.yaml"
# 训练轮数
epochs = 500
imgsz = 224
batch = 4
project = r"./AIModel"
name = "CatAndDog_Det"
predict_ImgPath = r"dataset/DogCat-det/images/val"
save_predictImg_flag = True
exportType= "onnx"
exist_ok = True
# 1 加载模型
model = YOLO(model_path)
# 2 训练模型
# model.train(data=data_yaml, epochs=epochs, imgsz=imgsz,batch=batch,workers=0,project=project,name=name,exist_ok=True)
# 3 验证模型
metrics = model.val(data=data_yaml,workers=0)  # 在验证集上评估模型性能
# 4 模型预测
# results = model.predict(source=predict_ImgPath,  imgsz=imgsz ,save=save_predictImg_flag,batch=batch)  # save plotted images
# 5 导出所需模式（以onnx为例）
# model.export(format=exportType, imgsz=imgsz)

在这里插入图片描述

模型预测结果

from ultralytics import YOLO
# 0 参数配置
# 模型路径
model_path = r"D:\YoloV8Manual\AIModel\CatAndDog_Det\weights\best.pt"
# 数据集yaml文件路径
data_yaml = r"D:\YoloV8Manual\data_yaml\det_data.yaml"
# 训练轮数
epochs = 500
imgsz = 224
batch = 4
project = r"./AIModel"
name = "CatAndDog_Det"
predict_ImgPath = r"dataset/DogCat-det/images/val"
save_predictImg_flag = True
exportType= "onnx"
exist_ok = True
# 1 加载模型
model = YOLO(model_path)
# 2 训练模型
# model.train(data=data_yaml, epochs=epochs, imgsz=imgsz,batch=batch,workers=0,project=project,name=name,exist_ok=True)
# 3 验证模型
# metrics = model.val(data=data_yaml,workers=0)  # 在验证集上评估模型性能
# 4 模型预测
results = model.predict(source=predict_ImgPath,  imgsz=imgsz ,save=save_predictImg_flag,batch=batch)  # save plotted images
# 5 导出所需模式（以onnx为例）
# model.export(format=exportType, imgsz=imgsz)

在这里插入图片描述
在这里插入图片描述

导出结果

1 导出TensorRT

from ultralytics import YOLO
# 0 参数配置
# 模型路径
model_path = r"D:\YoloV8Manual\AIModel\CatAndDog_Det\weights\best.pt"
# 数据集yaml文件路径
data_yaml = r"D:\YoloV8Manual\data_yaml\det_data.yaml"
# 训练轮数
epochs = 500
imgsz = 224
batch = 4
project = r"./AIModel"
name = "CatAndDog_Det"
predict_ImgPath = r"dataset/DogCat-det/images/val"
save_predictImg_flag = True
exportType= "engine"
exist_ok = True
# 1 加载模型
model = YOLO(model_path)
# 2 训练模型
# model.train(data=data_yaml, epochs=epochs, imgsz=imgsz,batch=batch,workers=0,project=project,name=name,exist_ok=True)
# 3 验证模型
# metrics = model.val(data=data_yaml,workers=0)  # 在验证集上评估模型性能
# 4 模型预测
# results = model.predict(source=predict_ImgPath,  imgsz=imgsz ,save=save_predictImg_flag,batch=batch)  # save plotted images
# 5 导出所需模式（以onnx为例）
model.export(format=exportType, imgsz=imgsz)

在这里插入图片描述

在这里插入图片描述

2 导出OpenVino

from ultralytics import YOLO
# 0 参数配置
# 模型路径
model_path = r"D:\YoloV8Manual\AIModel\CatAndDog_Det\weights\best.pt"
# 数据集yaml文件路径
data_yaml = r"D:\YoloV8Manual\data_yaml\det_data.yaml"
# 训练轮数
epochs = 500
imgsz = 224
batch = 4
project = r"./AIModel"
name = "CatAndDog_Det"
predict_ImgPath = r"dataset/DogCat-det/images/val"
save_predictImg_flag = True
exportType= "openvino"
exist_ok = True
# 1 加载模型
model = YOLO(model_path)
# 2 训练模型
# model.train(data=data_yaml, epochs=epochs, imgsz=imgsz,batch=batch,workers=0,project=project,name=name,exist_ok=True)
# 3 验证模型
# metrics = model.val(data=data_yaml,workers=0)  # 在验证集上评估模型性能
# 4 模型预测
# results = model.predict(source=predict_ImgPath,  imgsz=imgsz ,save=save_predictImg_flag,batch=batch)  # save plotted images
# 5 导出所需模式（以onnx为例）
model.export(format=exportType, imgsz=imgsz)

在这里插入图片描述
在这里插入图片描述

3.实例分割

from ultralytics import YOLO
# 0 参数配置
# 模型路径
model_path = r"./yolov8s-seg.pt"
# 数据集yaml文件路径
data_yaml = r"D:\YoloV8Manual\data_yaml\seg_data.yaml"
# 训练轮数
epochs = 500
imgsz = 224
batch = 4
project = r"./AIModel"
name = "CatAndDog_Seg"
predict_ImgPath = r"dataset/DogCat-seg/images/val"
save_predictImg_flag = True
exportType= "onnx"
exist_ok = True
# 1 加载模型
model = YOLO(model_path)
# 2 训练模型
model.train(data=data_yaml, epochs=epochs, imgsz=imgsz,batch=batch,workers=0,project=project,name=name,exist_ok=True)
# 3 验证模型
metrics = model.val(data=data_yaml)  # 在验证集上评估模型性能
# 4 模型预测
results = model.predict(source=predict_ImgPath,  imgsz=imgsz ,save=save_predictImg_flag,batch=batch)  # save plotted images
# 5 导出所需模式（以onnx为例）
model.export(format=exportType, imgsz=imgsz)

训练指标说明

在这里插入图片描述

验证指标说明

from ultralytics import YOLO
# 0 参数配置
# 模型路径
model_path = r"./yolov8s-seg.pt"
# 数据集yaml文件路径
data_yaml = r"D:\YoloV8Manual\data_yaml\seg_data.yaml"
# 训练轮数
epochs = 500
imgsz = 224
batch = 4
project = r"./AIModel"
name = "CatAndDog_Seg"
predict_ImgPath = r"dataset/DogCat-seg/images/val"
save_predictImg_flag = True
exportType= "onnx"
exist_ok = True
# 1 加载模型
model = YOLO(model_path)
# 2 训练模型
# model.train(data=data_yaml, epochs=epochs, imgsz=imgsz,batch=batch,workers=0,project=project,name=name,exist_ok=True)
# 3 验证模型
metrics = model.val(data=data_yaml)  # 在验证集上评估模型性能
# 4 模型预测
# results = model.predict(source=predict_ImgPath,  imgsz=imgsz ,save=save_predictImg_flag,batch=batch)  # save plotted images
# 5 导出所需模式（以onnx为例）
# model.export(format=exportType, imgsz=imgsz)

在这里插入图片描述

模型预测结果

from ultralytics import YOLO
# 0 参数配置
# 模型路径
model_path = r"./yolov8s-seg.pt"
# 数据集yaml文件路径
data_yaml = r"D:\YoloV8Manual\data_yaml\seg_data.yaml"
# 训练轮数
epochs = 500
imgsz = 224
batch = 4
project = r"./AIModel"
name = "CatAndDog_Seg"
predict_ImgPath = r"dataset/DogCat-seg/images/val"
save_predictImg_flag = True
exportType= "onnx"
exist_ok = True
# 1 加载模型
model = YOLO(model_path)
# 2 训练模型
# model.train(data=data_yaml, epochs=epochs, imgsz=imgsz,batch=batch,workers=0,project=project,name=name,exist_ok=True)
# 3 验证模型
# metrics = model.val(data=data_yaml,workers=0)  # 在验证集上评估模型性能
# 4 模型预测
results = model.predict(source=predict_ImgPath,  imgsz=imgsz ,save=save_predictImg_flag,batch=batch)  # save plotted images
# 5 导出所需模式（以onnx为例）
# model.export(format=exportType, imgsz=imgsz)

在这里插入图片描述
在这里插入图片描述

导出结果

1.导出TensorRT引擎

from ultralytics import YOLO
# 0 参数配置
# 模型路径
model_path = r"./yolov8s-seg.pt"
# 数据集yaml文件路径
data_yaml = r"D:\YoloV8Manual\data_yaml\seg_data.yaml"
# 训练轮数
epochs = 500
imgsz = 224
batch = 4
project = r"./AIModel"
name = "CatAndDog_Seg"
predict_ImgPath = r"dataset/DogCat-seg/images/val"
save_predictImg_flag = True
exportType= "engine"
exist_ok = True
# 1 加载模型
model = YOLO(model_path)
# 2 训练模型
# model.train(data=data_yaml, epochs=epochs, imgsz=imgsz,batch=batch,workers=0,project=project,name=name,exist_ok=True)
# 3 验证模型
# metrics = model.val(data=data_yaml,workers=0)  # 在验证集上评估模型性能
# 4 模型预测
# results = model.predict(source=predict_ImgPath,  imgsz=imgsz ,save=save_predictImg_flag,batch=batch)  # save plotted images
# 5 导出所需模式（以onnx为例）
model.export(format=exportType, imgsz=imgsz)

在这里插入图片描述
在这里插入图片描述

2.导出openvino

from ultralytics import YOLO
# 0 参数配置
# 模型路径
model_path = r"./yolov8s-seg.pt"
# 数据集yaml文件路径
data_yaml = r"D:\YoloV8Manual\data_yaml\seg_data.yaml"
# 训练轮数
epochs = 500
imgsz = 224
batch = 4
project = r"./AIModel"
name = "CatAndDog_Seg"
predict_ImgPath = r"dataset/DogCat-seg/images/val"
save_predictImg_flag = True
exportType= "openvino"
exist_ok = True
# 1 加载模型
model = YOLO(model_path)
# 2 训练模型
# model.train(data=data_yaml, epochs=epochs, imgsz=imgsz,batch=batch,workers=0,project=project,name=name,exist_ok=True)
# 3 验证模型
# metrics = model.val(data=data_yaml,workers=0)  # 在验证集上评估模型性能
# 4 模型预测
# results = model.predict(source=predict_ImgPath,  imgsz=imgsz ,save=save_predictImg_flag,batch=batch)  # save plotted images
# 5 导出所需模式（以onnx为例）
model.export(format=exportType, imgsz=imgsz)

在这里插入图片描述
在这里插入图片描述

补充：

如何解决安装Anaconda后，使用pip install 包名 安装的包未出现在Anaconda目录的sit-site-packages,而出现在C盘python的sitepackag里问题

本文章已经生成可运行项目
YOLOv8的训练、验证、预测及导出[目标检测实践篇]
ice
05-05 5万+
主要介绍如何使用YOLOv8训练自己的数据集，并进行验证、预测及导出，采用代码和指令的两种方式。
【YOLOv8的使用】YOLOv8的训练/验证/预测/导出模型/ONNX模型的使用
静谧、淡雅
04-09 3089
YOLOv8的使用
YOLOv8预测参数详解（全面详细、重点突出、大白话阐述小白也能看懂）
qq_37553692的博客
06-01 4万+
包括图像、URL、PIL图像、OpenCV、NumPy数组、Torch张量、CSV文件、视频、目录、通配符、YouTube视频和视频流。表格✅指示了每个输入源是否可以在流模式下使用，并给出了每个输入源使用流模式的示例参数。Boxes对象可用于索引、操作边界框，并将其转换为不同的格式。Box格式转换结果是缓存的，这意味着每个对象只计算一次，并且这些值将在将来的调用中重复使用。yolov8提供了plot函数绘制结果，可以绘制边框，分割结果,分类结果类别等等。：用于操作边界框的属性和方法的对象。
超详细YOLOv8目标检测全程概述：环境、训练、验证与预测详解
热门推荐
CDBmax的博客
12-25 9万+
这篇博文提供了一个关于使用YOLOv8进行目标检测的全面指南，包括环境搭建、模型训练、验证和预测的详细步骤，以及如何解释训练过程中生成的各种图表和数据。整篇文章为读者提供了一个关于如何利用YOLOv8进行目标检测的实践指南，从环境搭建到模型部署，再到结果分析，每一部分都给出了详细的步骤和解释。此外，还有对于模型输出的解释，帮助读者更好地理解和使用YOLOv8模型。
YOLOv8 目标检测全流程入门笔记：从环境搭建到批量预测（附常见错误解决方案）
最新发布
bmdy6的博客
11-04 1377
摘要：本文详细介绍了在Mac（M2/M系列芯片）环境下使用YOLOv8进行目标检测的全流程。首先通过创建Python虚拟环境解决系统冲突问题，然后安装Ultralytics库并处理常见错误。接着规范数据集目录结构，配置data.yaml文件，并说明标注文件格式要求。训练阶段提供基础训练和数据增强两种方案，解决"检测不到目标"问题。最后给出批量预测脚本，实现测试图片的自动检测与结果保存。全文包含完整代码示例和常见错误解决方案，适合Mac用户快速入门YOLOv8目标检测。（150字）
超详细YOLOv8验证参数、说明详解
CDBmax的博客
12-26 6026
YOLO 模型的验证设置是指用于评估模型在验证数据集上性能的各种超参数和配置。这些设置会影响模型的性能、速度和准确性。一些常见的 YOLO 验证设置包括批处理大小、在训练期间验证频率以及用于评估模型性能的指标。其他可能影响验证过程的因素包括验证数据集的大小和组成以及模型用于特定任务的特性。在机器学习流程中，验证是一个关键步骤，让您能够评估训练模型的质量。Ultralytics YOLOv8 的 Val 模式提供了一整套强大的工具和指标，用于评估您的目标检测模型的性能。
快速使用YOLOv8进行训练，以及进行预测，包括视频预测
qq_57824392的博客
07-09 4132
加载训练好的模型# 设置视频路径# 开始检测并保存结果。
YOLOv8_pose的训练、验证、预测及导出[关键点检测实践篇]
ice
05-26 1388
本文介绍了关键点检测的训练、验证、预测和导出，还有数据集划分和配置。
【YOLOv10的使用】YOLOv10的训练/验证/预测/导出模型/ONNX模型的使用
静谧、淡雅
05-29 3001
YOLOv10的训练/验证/预测/导出模型/ONNX模型的使用
yolov8训练和预测
canlynetsky的博客
09-25 1444
Ultralytics YOLOv8 是一种前沿、最先进 (SOTA) 的模型，它在之前的 YOLO 版本的成功基础上引入了新功能和改进，以提高性能和灵活性。YOLOv8 旨在快速、准确、易于使用，是广泛应用于目标检测和跟踪、实例分割、图像分类和姿态估计等任务的优秀选择。与之前的 YOLOv5 不同的是，YOLOv8 是在一个名为 Ultralytics 项目下，该项目将该团队之前制作的 YOLOv3、YOLOv5 整合到了一起，并添加了 YOLOv8。
【实战】YoloV8-训练与测试
YourMi_AI的博客
08-12 1523
数据集选用我以前自己标注的数据集。
YOLOv8 训练、验证、推理
weixin_41171614的博客
03-21 7537
YOLOv8 训练、验证、推理
YOLOV8训练
m0_56791536的博客
04-10 1739
modules.py：在里面存放着各种常用的模块，如：Conv，DWConv，ConvTranspose，TransformerLayer，Bottleneck等– tasks.py: 在里面导入了modules中的基本模块组建model，根据不同的下游任务组建不同的model。添加注意力模块只需要3步1、在对应的modules.py中添加需要的模块2、在task.py中引入modules.py中的模块，并进行适当的参数匹配。
超详细YOLOv8图像分类全程概述：环境、训练、验证与预测详解
CDBmax的博客
12-24 3万+
总结来说，该内容提供了一个完整的YOLOv8项目运行指南，包括环境搭建、数据集准备、训练、验证和预测过程的详细说明，以及各个阶段所需参数的详细列表和解释。这为需要进行YOLOv8训练图片分类任务和部署的开发人员提供了一个相对较为详细的参考。希望大家能够喜欢，如果感觉哪里写的不清楚，可以留言，我这边会积极补充。
YOLO图像分类
AIOT魔法师
03-13 381
【代码】YOLO图像分类。
【YOLO系列】YOLOv8目标检测---训练、测试、推理
m0_55908255的博客
02-20 4144
源码与之前不一样，有两种方法作模型训练、验证、推理，第一种方法是在终端输入命令行(命令行未涉及到的参数就使用。文件的数量不一定等于测试集的图片数量，因为对于某一张图片可能会有漏检的情况，即一个目标也没有检测出来。之后模型验证时输出的性能指标的计算方法就是这样的，只是没有把各类别的性能指标打印出来而已)不同，模型输出不再有检测框的置信度预测值。的检测结果，后者是对应的标签图片，可以观察是否有漏检和误检的情况。cls，center_x，center_y，w，h，置信度。（1，2）：真实框的分布。
YOLOv8训练
whaosoft143ai的博客
01-18 1493
这是在YOLOv8的官方仓库上直接配置和训练yolov5的全过程。Github地址:https://github.com/isLinXu/YOLOv8_Efficient本项目基于ultralytics及yolov5等进行综合参考，致力于让yolo系列的更加高效和易用。目前主要做了以下的工作：参考https://docs.ultralytics.com/config/中的Configuration参数，分别针对train.py、detect.py、val.py等做了相应参数的配置对齐。 结合yolov5的使
YOLOV8模型训练+部署（实战）
AI小花猫的博客
06-07 7万+
YOLOV8模型改进点简介、模型转ONNX以及TRT engine、python版本TRT推理、C++版本TRT推理详解
YOLOv8训练自己的数据集（从代码下载到实例测试）
Limiiiing的博客
07-29 9933
在Windows10上配置CUDA环境教程YOLOv8模型是由Ultralytics公司在2023年1月10日开源的，是基于YOLOv5的重大更新版本。网络架构主干网络（Backbone）：采用了一系列卷积和反卷积层来提取特征，同时也使用了残差连接和瓶颈结构来减小网络的大小和提高性能。YOLOv8中，C3模块被替换为C2f模块，实现了进一步的轻量化。
yolov8训练验证
03-15
### 使用YOLOv8进行模型训练和验证的操作指南 #### 1. 数据准备 为了使用 YOLOv8 进行训练，首先需要准备好标注好的数据集。通常情况下，数据集应遵循 COCO 或 VOC 的格式。如果数据未按照这些标准格式化，则可以通过工具将其转换为目标格式。 ```bash # 假设您已有一个名为 custom_dataset.yaml 的配置文件 # 配置文件定义了训练、验证图像路径以及类别名称。 ``` #### 2. 安装 Ultralytics 库 Ultralytics 是官方支持 YOLOv8 的库，安装此库可以方便地调用其 API 来完成训练和验证工作。 ```bash pip install ultralytics ``` #### 3. 加载预训练模型 加载预训练的 YOLOv8 模型非常简便，可以直接通过 `ultralytics` 提供的功能实现。 ```python from ultralytics import YOLO model = YOLO('yolov8n-seg.pt') # 加载预训练的小规模分割模型[^1] ``` #### 4. 开始训练过程 一旦模型被成功加载，就可以利用该模型基于自定义的数据集启动训练流程。 ```python results = model.train( data='custom_dataset.yaml', # 自定义数据集的 YAML 文件路径 epochs=100, # 总共运行的 epoch 数量 imgsz=640 # 输入图片尺寸 (高度/宽度) ) ``` 上述代码片段展示了如何设置基本参数来执行训练任务。这里指定了使用的数据源 (`data`)、迭代次数 (`epochs`) 和输入图像大小 (`imgsz`) 。 #### 5. 执行验证评估 当训练完成后或者在特定间隔期间，可对当前模型性能进行测试评价。 ```python metrics = model.val() # 对验证集上的表现进行评测 print(metrics.box.map) # 输出边界框平均精度均值(MAP) print(metrics.seg.map) # 如果涉及语义分割则打印相应MAP指标 ``` 这段脚本用于衡量经过一轮或多轮学习后的成果质量，特别是针对目标检测中的定位准确性及分类能力等方面进行了量化分析 。 #### 6. 推理预测 最后，在实际应用环境中部署之前还需要确认新样本上预测效果是否理想。 ```python successes = model.predict(source="test_images", save=True, show=False) for success in successes: print(success.xyxy) # 显示每个对象的位置坐标[x_min,y_min,x_max,y_max] ``` 以上部分演示了怎样从本地目录读取待测图片并生成可视化结果的同时保存下来以便后续审查 。 --- ###
评论 3
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值