基于丹摩智算平台的YOLOv8训练与测试

关注

原创最新推荐文章于 2026-07-11 08:00:00 发布 1.1k 阅读 AI 写同款· GEO 优化 ›

YOLO视觉模型训练平台 Myolotrain是一个基于Web的YOLOv8模型训练可视化管理系统，提供一站式计算机视觉解决方案。该系统采用FastAPI后端和Bootstrap5前端，支持数据集管理、模型训练、目标检测等核心功能，具备以下特点：1）支持多种部署方式（Windows/Linux/Docker）；2）提供完整GPU加速支持（CUDA12.6）；3）集成TensorBoard实时监控；4）包含数据增强、自动标注等辅助功能。系统要求Python3.12+和PostgreSQL数据库，推荐4核CPU/8GB内存以上配置。通过阅读详情

✨✨ 欢迎大家来访Srlua的博文（づ￣3￣）づ╭❤～✨✨

🌟🌟 欢迎各位亲爱的读者，感谢你们抽出宝贵的时间来阅读我的文章。

我是Srlua小谢，在这里我会分享我的知识和经验。🎥

希望在这里，我们能一起探索IT世界的奥妙，提升我们的技能。🔮

记得先点赞👍后阅读哦~ 👏👏

📘📚 所属专栏：人工智能

欢迎访问我的主页：Srlua小谢获取更多信息和资源。✨✨🌙🌙

前言

自YOLO（You Only Look Once）模型问世以来，其简洁高效的设计理念和卓越的目标检测能力备受推崇。YOLO系列通过单次前向传播，能够同时预测图像中多个物体的位置和类别，显著提升了目标检测的速度与效率。随着技术不断演进，YOLO模型也经过多次升级，每次迭代都带来了更强的性能。作为最新版本，YOLOv8不仅继承了前代模型的高效性和实时性，还在网络架构、损失函数等方面进行了优化，进一步提升了检测精度和泛化能力。

丹摩简介

丹摩智算是专为AI开发打造的高性能云计算平台，提供强大的并行计算能力和灵活的资源调度系统。平台依托GPU集群和分布式计算架构，为AI开发者和企业提供大规模计算支持。支持主流AI框架（如TensorFlow、PyTorch），并配备简化的开发环境和自动化调度工具，有效提升开发效率和资源利用率。

算力支持平台：丹摩智算官网：https://www.damodel.com/home 帮助文档：https://doc.damodel.com/

`YoloV8-训练与测试`

制作数据集

Labelme 数据集数据集选用我以前自己标注的数据集。直接点击下载

类别如下：

['c17', 'c5', 'helicopter', 'c130', 'f16', 'b2',
'other', 'b52', 'kc10', 'command', 'f15', 'kc135', 'a10',
'b1', 'aew', 'f22', 'p3', 'p8', 'f35', 'f18', 'v22', 'f4',
'globalhawk', 'u2', 'su-27', 'il-38', 'tu-134', 'su-33',
'an-70', 'su-24', 'tu-22', 'il-76']

格式转换

将 Lableme 数据集转为 yolov8 格式的数据集，转换代码如下：

import os
import shutil

import numpy as np
import json
from glob import glob
import cv2
from sklearn.model_selection import train_test_split
from os import getcwd


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
    return (x, y, w, h)


def change_2_yolo5(files, txt_Name):
    imag_name=[]
    for json_file_ in files:
        json_filename = labelme_path + json_file_ + ".json"
        out_file = open('%s/%s.txt' % (labelme_path, json_file_), 'w')
        json_file = json.load(open(json_filename, "r", encoding="utf-8"))
        # image_path = labelme_path + json_file['imagePath']
        imag_name.append(json_file_+'.jpg')
        height, width, channels = cv2.imread(labelme_path + json_file_ + ".jpg").shape
        for multi in json_file["shapes"]:
            points = np.array(multi["points"])
            xmin = min(points[:, 0]) if min(points[:, 0]) > 0 else 0
            xmax = max(points[:, 0]) if max(points[:, 0]) > 0 else 0
            ymin = min(points[:, 1]) if min(points[:, 1]) > 0 else 0
            ymax = max(points[:, 1]) if max(points[:, 1]) > 0 else 0
            label = multi["label"].lower()
            if xmax <= xmin:
                pass
            elif ymax <= ymin:
                pass
            else:
                cls_id = classes.index(label)
                b = (float(xmin), float(xmax), float(ymin), float(ymax))
                bb = convert((width, height), b)
                out_file.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + '\n')
                # print(json_filename, xmin, ymin, xmax, ymax, cls_id)
    return imag_name

def image_txt_copy(files,scr_path,dst_img_path,dst_txt_path):
    """
    :param files: 图片名字组成的list
    :param scr_path: 图片的路径
    :param dst_img_path: 图片复制到的路径
    :param dst_txt_path: 图片对应的txt复制到的路径
    :return:
    """
    for file in files:
        img_path=scr_path+file
        print(file)
        shutil.copy(img_path, dst_img_path+file)
        scr_txt_path=scr_path+file.split('.')[0]+'.txt'
        shutil.copy(scr_txt_path, dst_txt_path + file.split('.')[0]+'.txt')


if __name__ == '__main__':
    classes = ['c17', 'c5', 'helicopter', 'c130', 'f16', 'b2',
               'other', 'b52', 'kc10', 'command', 'f15', 'kc135', 'a10',
               'b1', 'aew', 'f22', 'p3', 'p8', 'f35', 'f18', 'v22', 'f4',
               'globalhawk', 'u2', 'su-27', 'il-38', 'tu-134', 'su-33',
               'an-70', 'su-24', 'tu-22', 'il-76']

    # 1.标签路径
    labelme_path = "USA-Labelme/"
    isUseTest = True  # 是否创建test集
    # 3.获取待处理文件
    files = glob(labelme_path + "*.json")

    files = [i.replace("\\", "/").split("/")[-1].split(".json")[0] for i in files]
    for i in files:
        print(i)
    trainval_files, test_files = train_test_split(files, test_size=0.1, random_state=55)
    # split
    train_files, val_files = train_test_split(trainval_files, test_size=0.1, random_state=55)
    train_name_list=change_2_yolo5(train_files, "train")
    print(train_name_list)
    val_name_list=change_2_yolo5(val_files, "val")
    test_name_list=change_2_yolo5(test_files, "test")
    #创建数据集文件夹。
    file_List = ["train", "val", "test"]
    for file in file_List:
        if not os.path.exists('./VOC/images/%s' % file):
            os.makedirs('./VOC/images/%s' % file)
        if not os.path.exists('./VOC/labels/%s' % file):
            os.makedirs('./VOC/labels/%s' % file)
    image_txt_copy(train_name_list,labelme_path,'./VOC/images/train/','./VOC/labels/train/')
    image_txt_copy(val_name_list, labelme_path, './VOC/images/val/', './VOC/labels/val/')
    image_txt_copy(test_name_list, labelme_path, './VOC/images/test/', './VOC/labels/test/')

运行完成后就得到了 yolov8 格式的数据集。

本地调试

如果你打算直接使用YOLOv8，可以通过执行命令 pip install ultralytics 安装。然而，如果你计划对模型进行修改或二次开发，建议避免使用该命令进行安装。

你可以访问官网或GitHub链接：GitHub - ultralytics/ultralytics 下载YOLOv8源码，解压后，将生成的YOLO数据集放入项目中的 datasets 文件夹（如果该文件夹不存在，需要手动创建）。

如图：

安装必要的库文件，安装命令：

pip install opencv-python
pip install numpy==1.23.5
pip install pyyaml
pip install tqdm
pip install matplotlib

请根据需要安装缺失的依赖，特别注意 numpy 的版本。如果是2.0以上版本，请确保将其降级到合适的版本。

然后在根目录新建 VOC.yaml 文件，如下图:

添加内容：

train: ./VOC/images/train # train images
val: ./VOC/images/val # val images
test: ./VOC/images/test # test images (optional)

names: ['c17', 'c5', 'helicopter', 'c130', 'f16', 'b2',
    'other', 'b52', 'kc10', 'command', 'f15', 'kc135', 'a10',
    'b1', 'aew', 'f22', 'p3', 'p8', 'f35', 'f18', 'v22', 'f4',
    'globalhawk', 'u2', 'su-27', 'il-38', 'tu-134', 'su-33',
    'an-70', 'su-24', 'tu-22', 'il-76']

然后新建 train.py，如下图：

在 train.py 添加代码：

from ultralytics import YOLO
if __name__ == '__main__':
    # 加载模型
    model = YOLO("ultralytics/cfg/models/v8/yolov8l.yaml")  # 从头开始构建新模型
    print(model.model)

    # Use the model
    results = model.train(data="VOC.yaml", epochs=100, device='0', batch=16,workers=0)  # 训练模型

然后就可以看是训练了，点击 run 开始运行 train.py。

基于丹摩智算的训练

创建账号-创建实例-选择配置

在官网创建账号并登录后，进入主页面，点击“GPU 云实例”，然后选择“创建实例”。根据需求配置实例并选择合适的数据盘容量。在配置详情栏中查看当前选定的配置信息。接下来，选择支持的镜像（如PyTorch），然后点击“创建密钥对”以生成或导入公钥。最后，点击“立即创建”完成实例创建。

创建好后，点击 JupyterLab 进入控制台。

将我们刚才创建的工程压缩成 zip 的压缩包，等待上传

点击，文件夹样子的标签，进入根目录，然后点击↑，进入上传文件的页,选择文件，点击打开。

上传完成后，点击“Terminal”进入命令行界面。输入 ls 查看上传的压缩包。

然后，输入以下命令解压文件：

unzip ultralytics-main.zip

解压后，左侧目录会显示解压后的文件夹，点击进入即可。

点击 train.py，Open With→Editor。

打开 train.py 后就可以修改 train.py 里面的参数了。

安装 YoloV8 运行所需要的库：

pip install opencv-python

如果遇到错误 ImportError: libGL.so.1: cannot open shared object file，请安装：

pip install opencv-python-headless

接着安装其他依赖：

pip install pyyaml
pip install tqdm
pip install matplotlib
pip install pandas

若某些文件无法下载，尝试设置国内镜像源：

pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple

安装完成后，运行 python train.py 开始训练。

测试代码（test.py）：

from ultralytics import YOLO

if __name__ == '__main__':
    # 加载模型
    # model = YOLO('yolov8m.pt')  # 加载官方模型
    model = YOLO('runs/detect/train/weights/best.pt')  # 加载自定义模型
    results = model.predict(source="ultralytics/assets", device='0')  # 对图片进行预测
    print(results)

执行 python test.py 进行图片测试。