YOLOv8训练自己的数据集

Chy.ing

已于 2024-11-26 20:57:09 修改

阅读量774

点赞数 26

文章标签： YOLO 计算机视觉目标检测深度学习 pytorch yolov8

于 2024-11-26 14:58:56 首次发布

本文链接：https://blog.youkuaiyun.com/lvzhouChY/article/details/144051216

版权

记录用yolov8训练自己数据集的过程，技术菜鸟，学习ing，若有不对，恳请大佬指教~。

1、源码和权重下载地址：

https://gitee.com/veeja/ultralyticshttps://gitee.com/veeja/ultralytics

2、配置环境：新建一个项目环境，要求 python>=3.7，且pytorch>=1.7。在根目录下install requirements.txt文件，配置yolov8所需的包。安装ultralytics。最后在根目录下编译。


conda create -n yolo python=3.8 #新建环境

pip3 install torch==1.8.2 torchvision==0.9.2 torchaudio==0.8.2 --extra-index-url https://download.pytorch.org/whl/

最低0.47元/天解锁文章

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

Chy.ing

关注关注

26
点赞
踩
30

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

yolov8实战第一天——yolov8部署并训练自己的数据集（保姆式教程）

qq_34717531的博客

12-15

5万+

YOLOv8是一种基于深度神经网络的目标检测算法，它是YOLO（You Only Look Once）系列目标检测算法的最新版本。YOLOv8的主要改进包括：更高的检测精度：通过引入更深的卷积神经网络和更多的特征层，YOLOv8可以在保持实时性的同时提高检测精度。更快的检测速度：通过对模型进行优化，YOLOv8可以在不降低检测精度的情况下提高检测速度。支持更多的检测任务：除了传统的物体检测任务之外，YOLOv8还支持人脸检测、车辆检测等更多的检测任务。

Yolov8从零开始训练自己数据集全过程

m0_68410365的博客

12-06

1638

YOLOv8（You Only Look Once version 8）是由 Ultralytics 推出的最新一代 YOLO 系列目标检测算法。它继承了 YOLO 系列算法的实时性和高效性。这里主要介绍Yolov8相较前算法的改进以及如何配置环境并实现目标识别。提示：以下是本篇文章正文内容，下面案例可供参考以上就是大致内容，之后会进行补充，第一次写见谅。

参与评论您还未登录，请先登录后发表或查看评论

2023最新-用yolov8训练自己的数据集

weixin_44752340的博客

05-24

4万+

【WARNING:Ignore distutils configs in setup.cfg due to encoding errors】，如果安装过程出现这个，可以直接将setup.cfg 另存为txt文件。中找到对应的安装命令，这里版本要求推荐torch=1.12.0+，下面贴出torch=1.12.0的各项安装命令，可以根据自己的电脑情况进行选择。运行xml2txt.py,在这个文件中其会把Annotations中的XML格式标注文件转换到txt中的yolo格式标注文件。在开始菜单下找到如下窗口。

小白一枚～

01-24

5万+

本文章主要方便大家学会如何使用yolov8训练自己数据集得到识别模型，跟着步骤一步一步来基本没有问题，我用的IDE是Pycharm2024.1，包含如何加载conda环境

Yolov8用法

Tesseract_9527的博客

05-31

1816

文件：E:\ultralytics\ultralytics\models\yolo\detect\predict.py。文件：E:\ultralytics\ultralytics\models\yolo\detect\train.py。文件：E:\ultralytics\ultralytics\models\yolo\detect\val.py。需增加的代码示例：自己看着来，参考训练和评估就能写出来。

YOLOv8训练自己数据集

04-10

YOLOv8训练自己数据集是一项在计算机视觉领域中常见的任务，主要应用于目标检测。YOLO（You Only Look Once）系列算法以其高效和实时性在众多目标检测模型中脱颖而出，而YOLOv8作为该系列的最新版本，优化了前代的...

yolov8-42-yolov8训练自己的数据集

10-03

训练自己的数据集时，首先需要对YOLOv8的配置文件进行调整，包括类别数、训练参数、锚点尺寸等。之后，可以根据需要设置学习率、批次大小、训练周期等超参数。完成设置后，就可以开始训练过程了。训练通常是一个迭代...

yolov8训练自己的数据集（源码）.rar

05-09

让我们深入了解一下YOLOv8及其训练自定义数据集的关键知识点。 1. YOLO（You Only Look Once）系列： YOLO是一种实时目标检测系统，由Joseph Redmon等人在2016年首次提出。YOLOv8是该系列的最新版本，它在前几代的...

基于YOLOv7训练自己数据集源码+voc转yolo脚本.rar

04-14

1、资源内容：基于yolov7训练自己数据集（完整源码+说明文档+数据）.rar 2、代码特点：参数化编程、参数可方便更改、代码编程思路清晰、注释明细。 3、适用对象：计算机，电子信息工程、数学等专业的大学生课程设计...

YOLOv8 保姆级教程（训练自己的数据集）

weixin_45303602的博客

07-20

1万+

准备一份YOLO系列的数据集，这里就不演示voc转txt了，自己准备一个现成的就好。如果玩过YOLOv5 的，数据集直接可以拿来用。数据集放在YOLOv8的大目录下data.yaml文件放在如图目录下yaml 的格式可以仿照YOLOv8里的coco.yaml 也是沿用YOLOv5的格式，亲测没有问题。

如何实现YOLOv8保存目标检测后的视频文件

Joining667的博客

04-15

4445

如何实现YOLOv8保存目标检测后的视频文件

yolov8-03训练自己的数据集并保存推理结果

weixin_39107270的博客

06-28

5527

目标：将推理结果保存为xyxy形式，并以 pkl 格式保存主要采取了两种方式，一种是阅读源码，通过CIL的方式保存结果。一种是在IDE内，通过python代码的形式。

YOLOv8-训练自己的数据集

qq_46542320的博客

11-05

8086

model：选择YOLOv8不同的模型配置文件，可选yolov8s.yaml、yolov8m.yaml、 yolov8x.yaml等。mode：选择任务类型，可以选择训练、验证或者预测的任务，['train' 'val' 'test']task：选择任务类型，可以选择['detect' 'segment' 'classify' 'init']原本红框内是80，则改为4，你的数据集类别个数有多少，就写多少。

【YOLO】YOLOv8训练自定义数据集（4种方式）

最新发布

FL1623863129的博客

05-05

497

数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)特别声明：本数据集不对训练的模型或者权重文件精度作任何保证，数据集只提供准确且合理标注。图片数量(jpg文件个数)：1198。标注数量(xml文件个数)：1198。标注数量(txt文件个数)：1198。标注类别名称:["sleep"]sleep 框数 = 1198。使用标注工具：labelImg。标注规则：对类别进行画矩形框。

yolov11 epoch100轮训练笔记5 kaggle comet

njsgcs的博客

05-05

315

然而comet接不到yolo的sdk。训练17轮map就0.99了。map在50轮后才稳定上升。v5训练100轮才0.6。100轮一眨眼训练完了。有了，就是训练轮次不够。

茶叶病害-目标检测数据集（包括VOC格式、YOLO格式）

DL_data_set的博客

05-05

423

茶叶病害检测，目标检测，yolo，voc

yolov8 训练自己数据集

08-16

YOLOv8（You Only Look Once version 8）是一种实时物体检测算法，它在YOLO系列中属于较新的版本。训练自己的数据集主要是为了让你的模型能够识别特定场景下的物体。以下是训练YOLOv8自定义数据集的一般步骤： 1. 数据准备：收集或创建包含目标类别及其标注的图像数据集。每个图片应该有对应的目标框位置信息和类别标签。 2. 数据预处理：使用YOLOv8提供的工具，如darknet的数据转换脚本（data_generator.py），将图片和标签转换成Darknet所需的文件格式，通常为`.txt`和`.cfg`配置文件。 3. 定制配置文件：修改`yolov8.cfg`配置文件，更改网络结构、锚点和其他超参数以适应你的数据集特性。 4. 准备Darknet库：确保安装了正确的版本，并设置环境变量指向darknet源码目录。 5. 搭建训练环境：如果你是在GPU环境下，可以使用CUDA和cuDNN加速训练过程。如果使用CPU，则需调整batch size以适应计算资源。 6. 开始训练：运行命令行工具，例如`./darknet train data/your_dataset cfg/yolov8.cfg yolov8.weights`，这里`your_dataset`是你的数据集路径，`yolov8.weights`是初始权重文件（可以选择预训练模型或从头开始训练）。 7. 监控和调整：训练过程中会生成日志，观察损失函数和mAP等指标，根据需要调整学习率、批次大小等参数。 8. 评估和验证：定期保存训练进度，使用验证集测试模型性能并优化。