yolov9 训练自己数据集<日志>

1. 下载v9代码:https://github.com/WongKinYiu/yolov9

2. 配置环境(默认已配好anaconda,python3.8+,PyTorch,)参考:https://blog.youkuaiyun.com/chenhaogu/article/details/131161374

进入自己配好的环境,终端输入:

conda activate py39(自己python环境名称)
cd N:\code\yolov9-main
pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple/

3)提示:建议不安装cleaeml,如果安装了clearml,记得注册(不注册会报错:MissingConfigError: It seems ClearML is not configured on this machine!)

1)

### 使用 YOLOv8 训练自定义数据集的教程 #### 准备工作 为了成功使用 YOLOv8 进行训练,首先需要完成环境配置以及必要的准备工作。这包括但不限于 Python 的版本确认、依赖库的安装以及框架本身的设置[^3]。 #### 安装 Ultralytics 库 Ultralytics 是支持 YOLOv8 的官方实现库。可以通过以下命令来安装此库: ```bash pip install ultralytics ``` 这一过程会自动下载并安装所有必需的依赖项,从而简化开发者的操作流程[^1]。 #### 数据准备 对于数据集的要求,通常建议将其转换为适合 YOLOv8 输入的标准格式。常见的做法是从原始图像文件及其对应的标签文件入手,最终形成统一的数据结构。如果初始数据是以 Pascal VOC 格式存储,则需额外编写脚本来执行格式转换[^2]。 以下是具体步骤概述: - **标注工具的选择与应用** 推荐使用 `LabelImg` 或者更现代化的 `labelme` 工具来进行图片的手动标记作业。这些工具有助于生成 XML 文件形式的基础真值信息。 对应的安装方法如下所示(针对 LabelMe): ```bash conda install pyqt=5 conda install labelme ``` - **构建 YAML 配置文件** 创建一个描述整个项目所需参数的小型元数据文档——即 `.yaml` 文件。它至少应该包含类别名称列表和指向各个子目录路径的信息片段。例如: ```yaml train: ./datasets/train/images/ val: ./datasets/valid/images/ nc: 3 names: ['cat', 'dog', 'bird'] ``` 上述例子表明存在三个分类目标分别为猫、狗还有鸟,并指定了用于训练验证阶段的不同样本位置。 #### 开始训练 当一切就绪之后,就可以调用简单的 CLI 命令启动实际的学习进程了。比如这样一条基本语句即可满足大部分场景需求: ```bash yolo task=detect mode=train model=yolov8n.pt data=path/to/data.yaml epochs=100 imgsz=640 ``` 这里设置了检测任务类型 (`task`)、采用预训练权重作为起点(`model`)、指定本地保存好的 dataset specification file 路径(`data`)以及其他一些超参选项像迭代次数(`epochs`)或者输入分辨率大小(`imgsz`)等等。 #### 后续评估与优化 经过一段时间运行结束后,应当仔细审查输出日志中的各项指标表现情况;必要时调整网络架构设计或是重新采样不平衡分布类别的实例数量以进一步提升性能效果。 ---
评论 2
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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