YOLO v8 服务器训练过程记录外置摄像头实时检测_yolov8模型接摄像头验证-优快云博客

本文详细描述了如何使用YOLOv8在Ubuntu18.04系统上进行服务器训练，包括从LabelMe标注工具导出数据、转换为YOLO格式，以及如何划分训练集和验证集。最后介绍了在AutoDL平台上配置模型、下载权重和进行实时物体检测的过程。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

YOLO v8 服务器训练过程记录外置摄像头实时检测

目标：训练自己的数据集

炼丹炉： Auto DL

本地电脑： Ubuntu 18.04 系统

任务：检测 + 分割

第一步：建立yolov8 数据库

标注工具：

格式转换工具：
（1）json 2 txt 代码

（2）数据分割代码


import json
import os
import shutil
import random


# Convert label to idx
with open("labels.txt", "r") as f:
    classes = [c.strip() for c in f.readlines()]
    idx_dict = {c: str(i) for i, c in enumerate(classes)}

def convert_labelmes_to_yolo(labelme_folder, output_folder):
    label_folder = os.path.join(output_folder, "labels")
    os.makedirs(label_folder, exist_ok=True)
    image_folder = os.path.join(output_folder, "images")
    os.makedirs(image_folder, exist_ok=True)

    for root, dirs, files in os.walk(labelme_folder):
        for file in files:
            file_path = os.path.join(root, file)
            if os.path.splitext(file)[-1] != ".json":
                shutil.copy(file_path, image_folder)
                print(f"Copied {file_path} to {image_folder}")
            else:
                with open(file_path, 'r') as f:
                    labelme_data = json.load(f)

                image_filename = labelme_data["imagePath"]
                
                image_filename = image_filename[16:]

                # 这里因为 json文件中的imagePath路径不对，json中imagepath的路径应该是"imagePath": "DOWN0906_000.jpg" 才对。
                # 但是，我在标注的时候将json文件和原图像文件分开放了。labelme在标注的时候就会寻找图片下相应路径写入json文件，路径如下：
                # "imagePath": "../picture_0906/DOWN0906_000.jpg"。
                # 上面使用切片操作，去掉前面的16个字符，就可以正常运行了。

                image_width = labelme_data["imageWidth"]
                image_height = labelme_data["imageHeight"]

                txt_filename = os.path.splitext(image_filename)[0] + ".txt"
                txt_path = os.path.join(label_folder, txt_filename)

                with open(txt_path, 'w') as f:
                    for shape in labelme_data["shapes"]:
                        label = shape["label"]
                        points = shape["points"]

                        class_idx = idx_dict.get(label)
                        if class_idx is not None:
                            f.write(class_idx)

                            for point in points:
                                x = point[0] / image_width
                                y = point[1] / image_height
                                f.write(f" {x} {y}")

                            f.write("\n")

                print(f"Converted {file} to {txt_path}")

    print("转换成功")

def split_data(output_folder, dataset_folder):
    random.seed(0)
    split_rate = 0.2 #验证集占比
    origin_label_path = os.path.join(output_folder, "labels")
    origin_image_path = os.path.join(output_folder, "images")
    train_label_path = os.path.join(dataset_folder, "train", "labels")
    os.makedirs(train_label_path, exist_ok=True)
    train_image_path = os.path.join(dataset_folder, "train", "images")
    os.makedirs(train_image_path, exist_ok=True)
    val_label_path = os.path.join(dataset_folder, "val", "labels")
    os.makedirs(val_label_path, exist_ok=True)
    val_image_path = os.path.join(dataset_folder, "val", "images")
    os.makedirs(val_image_path, exist_ok=True)

    images = os.listdir(origin_image_path)
    num = len(images)
    eval_index = random.sample(images,k=int(num*split_rate))
    for single_image in images:
        origin_single_image_path = os.path.join(origin_image_path, single_image)
        single_txt = os.path.splitext(single_image)[0] + ".txt"
        origin_single_txt_path = os.path.join(origin_label_path, single_txt)
        if single_image in eval_index:
            #single_json_path = os.path.join(val_label_path,single_json)
            shutil.copy(origin_single_image_path, val_image_path)
            shutil.copy(origin_single_txt_path, val_label_path)
        else:
            #single_json_path = os.path.join(train_label_path,single_json)
            shutil.copy(origin_single_image_path, train_image_path)
            shutil.copy(origin_single_txt_path, train_label_path)

    print("数据集划分完成")

    with open(os.path.join(dataset_folder,"data.yaml"),"w") as f:
        f.write(f"train: {dataset_folder}\n")
        f.write(f"val: {val_image_path}\n")
        f.write(f"test: {val_image_path}\n\n")
        f.write(f"nc: {len(classes)}\n")
        f.write(f"names: {classes}\n")


labelme_folder = "labelme_folder" #labelme生成的标注文件所在的文件夹
output_folder = "output_dir" #存储yolo标注文件的文件夹
dataset_folder = "dataset" #存储划分好的数据集的文件夹
convert_labelmes_to_yolo(labelme_folder, output_folder)#将labelme标注文件转换为yolo格式
split_data(output_folder, dataset_folder)#划分训练集和验证级

分割文件最终结果：
文件结果展示

第三步：在线服务器配置

（1）下载源代码以及相关权重文件

git clone https://github.com/ultralytics/ultralytics.git

https://github.com/ultralytics/ultralytics  权重文件全这里里面，根据自己的需求下载

在这里插入图片描述

（2）压缩数据和源代码及权重文件

（3）购买算力以及配置cuda 和 pytorch 环境

Auto DL 地址

https://www.autodl.com/market/list

在这里插入图片描述

基础环境配置
在这里插入图片描述

（3）上传数据和源文件

上传源代码文件
上传数据

在这里插入图片描述

dataset 文件格式


dataset
├─train
│  ├─images
│  │    ├─ 111.jpg
│  │    ├─ 112.jpg
│  │
│  └─labels
│     ├─ 111.txt
│     └─112.txt
│
└─val
    ├─images
    │    ├─ 012.jpg
    │    ├─ 013.jpg
    │
    └─labels 
         ├─ 012.txt
         └─013.txt

上传权重参数（到对应的github网页上也下载自己需要的权重文件，再上传到ultralytics文件夹下就可以）

在这里插入图片描述

（4）解压文件

tar -xvf xxxx.tar,xz

（5）注意：数据和源文件位置

在这里插入图片描述

第三步：配置文件设置

（1）数据配置文件设置：

mydata-seg.yaml设置

# Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..]
path: ../dataset  # dataset root dir
train: train/images  # train images (relative to 'path') 128 images
val: val/images  # val images (relative to 'path') 128 images
test:  # test images (optional)

# Classes
names:
  0: data1
  1: data2

（2）存放位置

/root/ultralytics/ultralytics/cfg/datasets

在这里插入图片描述

（2）训练文件设置：

train.py

from ultralytics import YOLO

# Load a model
model = YOLO('yolov8s-seg.yaml')  # build a new model from YAML
model = YOLO('yolov8s-seg.pt')  # load a pretrained model (recommended for training)
model = YOLO('yolov8s-seg.yaml').load('yolov8s.pt')  # build from YAML and transfer weights

# Train the model
results = model.train(data='mydata-seg.yaml', epochs=300, imgsz=640)

（4）训练文件存放位置（放在ultratics文件夹下就可以）

在这里插入图片描述

（6）安装必要依赖包（在ultralyics 文件夹下输入指令）

pip install -r requirements.txt

在这里插入图片描述

第四步：训练（同样在 ultralyics 文件夹下）

python train.py

第五步：下载权重参数

在runs文件下找到最新生成的文件，所有权重文件都在那里面。
在这里插入图片描述

第六步：实现检测物体

将下载好的 best.pt 权重参数，放置在本地ultralyics 文件夹下，执行下面的文件，即可实时检测物体。

文件位置
实时检测代码

import cv2
from ultralytics import YOLO
import time

modle = YOLO('best.pt')

video_path = ""
cap = cv2.VideoCapture(2)  # 更改数字，切换不同的摄像头

# loop
while cap.isOpened():
    success, frame = cap.read()

    if success:
        start = time.perf_counter()

        # Run YOLOv8 inference on the frame
        results = modle(frame)

        end = time.perf_counter()

        total_time = end - start
        fps = 1 / total_time

        # visualize the results on the frame
        annotated_frame = results[0].plot()

        # display the annotated frame
        cv2.imshow("YOLOv8 Inference:", annotated_frame)

        # Break the loop if 'q' is pressed
        if cv2.waitKey(1) & 0xFF == ord('q'):
            break
    else:
        # Break the loop if the end of the video is reached
        break

# Release the video capture object and close the display windows
cap.release()
cv2.destroyAllWindows()