YOLO系列：一、基于windows10的pytorch环境部署及yolov8的安装及测试

第一章 pytorch环境部署留念

第一步：下载安装anaconda 官网地址
（也可以到清华大学开源软件镜像站下载：https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/）

我安装的是下面这个，一通下一步就完事儿。

第二步：下载显卡驱动程序(大家一般都不需要，可以直接跳过)（cmd–nvidia-smi）

第三步：通过anaconda来安装pytorch
在这个base环境中先不要着急安装各种各样的python包，因为默认情况下在anaconda中创建的新的环境都是以base环境为模板的，也就是意味着新创建的环境会包含与base环境相同的Python版本和已安装的软件包列表，所以为了不必要的麻烦，我们新创建一个环境，创建环境的命令如下

conda create -n name python=3.8

-n是名字的意思，name自己取名，后面那个3.8是版本号。

在base环境中运行此命令可以进入我们创建的环境
第四步：激活环境

conda activate name （注：name是你自己创建的环境的名字）

第五步：在激活环境中下载安装pytorch
到官网去获取指令，官网链接：https://pytorch.org/，成功后的样子如图所示。（版本查看：cmd----nvidia-smi）


第六步:配置刚下载的环境作为pycharm中我们的python解释器
1.打开pycharm选择“文件”——设置

2.选择编辑器、添加解释器

3.选择conda环境，单击确定。

到这里就完事了。

第二章 YOLOV8的安装及测试

1.下载代码，到官网去找，或者其他人上传的都可以，主要下载两个内容：下载地址：https://github.com/ultralytics/ultralytics
第一个如下图的代码

第二个如下图的模型，上面的那个把网页下拉就看到了

2.将下载完的代码解压拷贝到D盘的文件夹中，如下图所示

3.将下载完的模型解压拷贝到如下图所示文件夹中

4.在Anaconda中执行下面的指令

5.安装依赖包
使用指令 pip install -r requirements.txt 安装的时候各种报错，更换源就好了。 更换源的方法就是在pip install的后面增加 -i +源名+安装包的形式，采用下面的指令进行安装即可

pip install -i https://pypi.tuna.tsinghua.edu.cn/simple -r requirements.txt

6.安装YOLO
出现下图表示成功，警告不用管。

pip install -i https://pypi.tuna.tsinghua.edu.cn/simple ultralytics

7.测试
用yolov8s.pt来测试 ：

yolo task=segment mode=predict model=wighte/yolov8s.pt source=ultralytics/assets/bus.jpg save=true

在程序文件夹中可以找到结果

结果如下图所示：

测试视频/摄像头/文件夹：（source=自己的绝对路径就行，照片也可以用绝对路径，刚才用的是相对路径），素材可以上网去找别人下载好的直接用就行，文件夹没有测试不知道是啥，前三个测试了效果挺好，尤其是摄像头，直接计算机上插一个摄像头就行。

conda activate yolov8
cd /d D:\ultralytics-main
#测试图片
yolo task=segment mode=predict model=wighte/yolov8s.pt source=ultralytics/assets/bus.jpg save=true
 
#测试视频
yolo task=segment mode=predict model=wighte/yolov8s.pt source=D:\car.mp4 show=true
 
#测试摄像头
yolo task=segment mode=predict model=wighte/yolov8s.pt source=0
 
#测试文件夹
yolo task=segment mode=predict model=wighte/yolov8s.pt source=D:\myimgs

第三章 制作自己的数据集

1.安装labelme，这里注意更换源

pip install -i https://pypi.tuna.tsinghua.edu.cn/simple labelme

出现下图表示安装成功

2.输入下图指令，打开labelme，结果如图所示

3.打开一张图片，进行标注。如果是目标检测就选择Create Rectangle框选图形即可，如果是图像分割就选择Create Plogons绘制边框，然后定义分类后保存成.json格式。

3.在网上找到的别人下载的标注好的图片库labelme-dogcat-test文件夹，里面是一些猫和狗的图片及标注文件，把他们拷贝到了D:\ultralytics-main\ultralytics\assets这个文件夹，如下图所示，在它的上一级目录中新建一个文件夹命名为yoloForm，用于存储转换后的文件。

4.把labelme格式转化成yolov8支持的数据集格式，需要下面的脚本，只需要改最后一行，就是数据源地址和目标地址（ cm.start(r’源文件路径’, r’保存新位置路径’)），将其存储为JsonToYolo.py格式，执行即可，执行时，如果缺少东西就安装对应的库即可。

import base64
import random
import shutil
from tqdm import tqdm
import math
import json
import os
import numpy as np
import PIL.Image
import PIL.ImageDraw
import cv2


class ConvertManager(object):
    def __init__(self):
        pass

    def base64_to_numpy(self, img_bs64):
        img_bs64 = base64.b64decode(img_bs64)
        img_array = np.frombuffer(img_bs64, np.uint8)
        cv2_img = cv2.imdecode(img_array, cv2.IMREAD_COLOR)
        return cv2_img

    @classmethod
    def load_labels(cls, name_file):
        '''
        load names from file.one name one line
        :param name_file:
        :return:
        '''
        with open(name_file, 'r') as f:
            lines = f.read().rstrip('\n').split('\n')
        return lines

    def get_class_names_from_all_json(self, json_dir):
        classnames = []
        for file in os.listdir(json_dir):
            if not file.endswith('.json'):
                continue
            with open(os.path.join(json_dir, file), 'r', encoding='utf-8') as f:
                data_dict = json.load(f)
                for shape in data_dict['shapes']:
                    if not shape['label'] in classnames:
                        classnames.append(shape['label'])
        return classnames

    def create_save_dir(self, save_dir):
        images_dir = os.path.join(save_dir, 'images')
        labels_dir = os.path.join(save_dir, 'labels')
        if not os.path.exists(save_dir):
            os.makedirs(save_dir)
            os.mkdir(images_dir)
            os.mkdir(labels_dir)
        else:
            if not os.path.exists(images_dir):
                os.mkdir(images_dir)
            if not os.path.exists(labels_dir):
                os.mkdir(labels_dir)
        return images_dir + os.sep, labels_dir + os.sep

    def save_list(self, data_list, save_file):
        with open(save_file, 'w') as f:
            f.write('\n'.join(data_list))

    def __rectangle_points_to_polygon(self, points):
        xmin = 0
        ymin = 0
        xmax = 0
        ymax = 0
        if points[0][0] > points[1][0]:
            xmax = points[0][0]
            ymax = points[0][1]
            xmin = points[1][0]
            ymin = points[1][1]
        else:
            xmax = points[1][0]
            ymax = points[1][1]
            xmin = points[0][0]
            ymin = points[0][1]
        return [[xmin, ymin], [xmax, ymin], [xmax, ymax], [xmin, ymax]]

    def convert_dataset(self, json_dir, json_list, images_dir, labels_dir, names, save_mode='train'):
        images_dir = os.path.join(images_dir, save_mode) + os.sep
        labels_dir = os.path.join(labels_dir, save_mode) + os.sep
        if not os.path.exists(images_dir):
            os.mkdir(images_dir)
        if not os.path.exists(labels_dir):
            os.mkdir(labels_dir)
        for file in tqdm(json_list):
            with open(os.path.join(json_dir, file), 'r', encoding='utf-8') as f:
                data_dict = json.load(f)
            image_file = os.path.join(json_dir, os.path.basename(data_dict['imagePath']))
            if os.path.exists(image_file):
                shutil.copyfile(image_file, images_dir + os.path.basename(image_file))
            else:
                imageData = data_dict.get('imageData')
                if not imageData:
                    imageData = base64.b64encode(imageData).decode('utf-8')
                    img = self.img_b64_to_arr(imageData)
                    PIL.Image.fromarray(img).save(images_dir + file[:-4] + 'png')
            # convert to txt
            width = data_dict['imageWidth']
            height = data_dict['imageHeight']
            line_list = []
            for shape in data_dict['shapes']:
                data_list = []
                data_list.append(str(names.index(shape['label'])))
                if shape['shape_type'] == 'rectangle':
                    points = self.__rectangle_points_to_polygon(shape['points'])
                    for point in points:
                        data_list.append(str(point[0] / width))
                        data_list.append(str(point[1] / height))


                elif shape['shape_type'] == 'polygon':
                    points = shape['points']
                    for point in points:
                        data_list.append(str(point[0] / width))
                        data_list.append(str(point[1] / height))
                line_list.append(' '.join(data_list))

            self.save_list(line_list, labels_dir + file[:-4] + "txt")

    def split_train_val_test_dataset(self, file_list, train_ratio=0.9, trainval_ratio=0.9, need_test_dataset=False,
                                     shuffle_list=True):
        if shuffle_list:
            random.shuffle(file_list)
        total_file_count = len(file_list)
        train_list = []
        val_list = []
        test_list = []
        if need_test_dataset:
            trainval_count = int(total_file_count * trainval_ratio)
            trainval_list = file_list[:trainval_count]
            test_list = file_list[trainval_count:]
            train_count = int(train_ratio * len(trainval_list))
            train_list = trainval_list[:train_count]
            val_list = trainval_list[train_count:]
        else:
            train_count = int(train_ratio * total_file_count)
            train_list = file_list[:train_count]
            val_list = file_list[train_count:]
        return train_list, val_list, test_list

    def start(self, json_dir, save_dir, names=None, train_ratio=0.9):
        images_dir, labels_dir = self.create_save_dir(save_dir)
        if names is None or len(names) == 0:
            print('class names will load from all json file')
            names = self.get_class_names_from_all_json(json_dir)
        print('find {} class names :'.format(len(names)), names)
        if len(names) == 0:
            return

        self.save_list(names, os.path.join(save_dir, 'labels.txt'))
        print('start convert')
        all_json_list = []
        for file in os.listdir(json_dir):
            if not file.endswith('.json'):
                continue
            all_json_list.append(file)
        train_list, val_list, test_list = self.split_train_val_test_dataset(all_json_list, train_ratio)
        self.convert_dataset(json_dir, train_list, images_dir, labels_dir, names, 'train')
        self.convert_dataset(json_dir, val_list, images_dir, labels_dir, names, 'val')


if __name__ == '__main__':
    cm = ConvertManager()
    cm.start(r'D:\ultralytics-main\ultralytics\assets\labelme-dogcat-test', r'D:\ultralytics-main\ultralytics\assets\yoloForm')

5.在Pycharm中执行上面的脚本，执行完成后，刚刚新建的文件夹就会有转换后的数据了，如下图所示。

续1：pycharm上使用模型
1.新建一个项目
2.安装 需求文件：拷贝requirements.txt到项目文件夹并执行安装
3.安装opencv-python
4.安装：-i https://pypi.tuna.tsinghua.edu.cn/simple onnx>=1.12.0 onnxslim onnxruntime-gpu
执行下面的代码：

import os
os.environ['KMP_DUPLICATE_LIB_OK'] = 'True'
from PIL import Image

from ultralytics import YOLO

# main.py
def main ():
    # 加载模型
    model = YOLO("yolov8n.yaml")  # 从头开始构建新模型
    model = YOLO("yolov8n.pt")  # 加载预训练模型（建议用于训练）

    # 使用模型
    model.train(data="coco128.yaml", epochs=3)  # 训练模型
    metrics = model.val()  # 在验证集上评估模型性能
    results = model("https://ultralytics.com/images/bus.jpg")  # 对图像进行预测
    success = model.export(format="onnx")  # 将模型导出为 ONNX 格式

    # Show the results
    for r in results:
        im_array = r.plot()  # plot a BGR numpy array of predictions
        im = Image.fromarray(im_array[..., ::-1])  # RGB PIL image

if __name__ == '__main__':
    main()  # 在主程序中调用

参考链接