yolov8训练自己的数据集与转成onnx利用opencv进行调用

文章目录

• 系列文章目录
• 前言
• 一、利用labeling进行数据的创建？
• 二、使用步骤
  • 1.引入库
  • 2.读入数据
• 总结

---

前言

首先需要创建适合yolov8的数据模式，需要将xml文件转成txt文件。修改yolov8的配置文件实现模型的训练

---

提示：以下是本篇文章正文内容，下面案例可供参考

一、使用步骤

1.xml文件转成txt文件

代码如下（示例）：

import xml.etree.ElementTree as ET
import pickle
import os
from os import listdir, getcwd
from os.path import join

classes = [自己的数据集标签]

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
    if x >= 1:
        x = 0.99
    if y >= 1:
        y = 0.99
    if w>=1:
        w=0.99
    if h>=1:
        h=0.99
    return (x,y,w,h)

def convert_annotation(rootpath,xmlname):
    xmlpath = rootpath + '/xmls'
    xmlfile = os.path.join(xmlpath,xmlname)
    with open(xmlfile, "r", encoding='UTF-8') as in_file:
      txtname = xmlname[:-4]+'.txt'
      print(txtname)
      txtpath = rootpath + '/worktxt'
      if not os.path.exists(txtpath):
        os.makedirs(txtpath)
      txtfile = os.path.join(txtpath,txtname)
      with open(txtfile, "w+" ,encoding='UTF-8') as out_file:
        tree=ET.parse(in_file)
        root = tree.getroot()
        size = root.find('size')
        w = int(size.find('width').text)
        h = int(size.find('height').text)
        out_file.truncate()
        for obj in root.iter('object'):
            #difficult = obj.find('difficult').text
            cls = obj.find('name').text
            #if cls not in classes or int(difficult)==1:
                #continue
            if cls not in classes:
                print("image dont excistence")
                continue
            cls_id = classes.index(cls)
            xmlbox = obj.find('bndbox')
            b = (float(xmlbox.find('xmin').text), float(xmlbox.find('xmax').text), float(xmlbox.find('ymin').text), float(xmlbox.find('ymax').text))
            bb = convert((w,h), b)
            out_file.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + '\n')


if __name__ == "__main__":
    rootpath='自己数据集路径'
    xmlpath=rootpath+'/xmls'
    list=os.listdir(xmlpath)
    for i in range(0,len(list)) :
        path = os.path.join(xmlpath,list[i])
        if ('.xml' in path)or('.XML' in path):
            convert_annotation(rootpath,list[i])
            print('done', i)
        else:
            print('not xml file',i)

2.加入数据中

如下（示例）：

2.加入数据中

 1：先修改ultralytics/yolo/cfg/default.yaml中的default.yaml文件，如果是任务是目标检测则tast:改成detect 。如是语义分割则改成segment

2：如果是训练模式,mode改成train模式。

3：model改成初始模型的绝对路径，

4：data改成自己创建的数据集。这样设置完成后就可以了。接下来需要运行训练脚本

---

 3：模型训练

1：找到项目文件下的train.py文件 路径为：ultralytics/yolo/v8/detect/train.py。

2：直接运行train文件既可实现训练自己的数据集。

如果想自己写训练脚本，如下脚本为训练脚本

from ultralytics import YOLO
import torch
if __name__ == '__main__':
    # 加载模型
    model = YOLO("C:/Users/12057/Desktop/yolov8/ultralytics/ultralytics/models/v8/yolov8.yaml")  # 从头开始构建新模型
    # model = YOLO("yolov8s.pt")  # 加载预训练模型（推荐用于训练）

    # Use the model

    results = model.train(data="C:/Users/12057/Desktop/yolov8/ultralytics/ultralytics/datasets/mydata2.yaml", epochs=300, batch=16, workers=8, close_mosaic=0, name='cfg')  # 训练模型
    # results = model.val()  # 在验证集上评估模型性能
    # results = model("https://ultralytics.com/images/bus.jpg")  # 预测图像
    # success = model.export(format="onnx")  # 将模型导出为 ONNX 格式

4：训练过程

总结

以上就是今天要讲的内容，本文仅仅简单介绍了利用yolov8训练自己的数据集，而后期换成onnx格式，将在下期进行讲解。